universidade estadual do oeste do paranÁ programa...
TRANSCRIPT
UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ
PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO (PPGA)
MESTRADO PROFISSIONAL
SIMULAÇÃO DE CENÁRIOS NO MERCADO DE AÇÕES COM APLICAÇÃO DE
LÓGICA FUZZY COMO FERRAMENTA DE SUPORTE À DECISÃO DE
INVESTIMENTO
MICHEL FIGUEIREDO MARQUES
CASCAVEL
2017
Michel Figueiredo Marques
SIMULAÇÃO DE CENÁRIOS NO MERCADO DE AÇÕES COM APLICAÇÃO DE
LÓGICA FUZZY COMO FERRAMENTA DE SUPORTE À DECISÃO DE
INVESTIMENTO
SIMULATION OF SCENARIOS IN THE STOCK MARKET WITH THE
APPLICATION OF FUZZY LOGIC AS A TOOL TO SUPPORT INVESTMENT
DECISION-MAKING
Dissertação apresentada ao Programa de Pós-
Graduação em Administração (PPGA) – Mestrado
Profissional: da Universidade Estadual do Oeste do
Paraná, como requisito parcial para obtenção do
grau de Mestre em Administração.
Orientador: Professor Doutor Claudio Antonio
Rojo
CASCAVEL
2017
AGRADECIMENTO
Agradeço primeiramente a Deus por essa oportunidade e por ser meu refúgio nos
momentos de aflição.
Agradeço de forma especial à minha esposa pelo companheirismo, paciência e apoio
incondicional durante esse período do mestrado, no qual juntos tivemos que abrir mão de muitos
momentos para conseguirmos chegar ao fim dessa jornada desafiadora.
Agradeço a meus pais pelos conselhos e por nunca deixarem de se preocupar comigo.
Agradeço a meu irmão por me escutar e me auxiliar durante o desenvolvimento dessa pesquisa.
Agradeço a todos meus familiares, amigos e colegas que também entenderam e me
apoiaram quando por diversas vezes não pude estar presente.
Sou profundamente grato a meu orientador Prof. Dr. Claudio Antonio Rojo, por seus
ensinamentos, conselhos e, mais importante ainda, por ser para mim um exemplo de
profissional e pessoa.
Agradeço aos professores do programa de mestrado e em especial aos professores
membros das bancas de qualificação e de defesa, suas considerações foram cruciais para essa
conquista.
Agradeço a meus colegas de mestrado, pela constante troca de experiências e
aprendizado. Durante todo o curso passamos por grandes dificuldades e alegrias e isso gerou
profundos laços de amizades que pretendo carregar comigo.
Muito obrigado a todos, somente com a participação de cada um de vocês é que esse
sonho se tornou realidade.
Coelho (2011) cita que temos 7 vidas para administrar: saúde e esporte, família e
afetividade, carreira e vocação, cultura e lazer, sociedade e comunidade, bens e finanças, e por
fim, mente e espírito. Descobri que fazer mestrado é priorizar e focar na carreira e vocação em
detrimento de todas as demais vidas.
“To gamble is necessary because there are no absolute
truths, only relative truths. Every proposition is true and
so is its contrary and the only thing that counts is to know
in what proportion it is true and in what proportion it is
false”.
Godet (1979, p. 14).
RESUMO
Marques, Michel figueiredo. Simulação de cenários no mercado de ações com aplicação de
lógica fuzzy como ferramenta de suporte à decisão de investimento. 2017. 124 f. Dissertação
(Programa de Pós-Graduação em Administração (PPGA) – Mestrado Profissional) -
Universidade Estadual do Oeste do Paraná, Cascavel, 2017.
Essa dissertação visa aplicar um modelo de simulação de cenários no mercado de ações,
utilizando lógica fuzzy em indicadores fundamentalistas para definir o(s) ativo(s) a ser(em)
investido(s) e análise técnica para determinar o melhor momento de investir. O modelo utilizado
para a simulação de cenários prevê 5 etapas, sendo que a primeira delas já fora realizada
previamente no estudo de Rojo (2014) e as demais são aplicadas ao longo do quarto capítulo
desse trabalho. Em particular durante a aplicação do segundo nível do modelo, discutido ao
longo do capítulo 4.1, recorreu-se à lógica fuzzy como ferramenta de inteligência competitiva
que visa auxiliar na análise dos 5 indicadores fundamentalistas. Dessa forma, essa pesquisa tem
objetivo de ser exploratória, com abordagem qualitativa e quantitativa e o universo da pesquisa
é composto de 10 ações pertencentes ao subsetor de construção civil e que fazem parte do índice
Small Cap. Quanto à perspectiva temporal, foi considerado o período entre 18/11/09 e 27/08/17
para proceder com a análise fundamentalista e o período entre 28/08/17 e 24/11/17 para
aplicação da análise técnica. Durante a aplicação da análise fundamentalista os dados foram
extraídos da base Economática, enquanto que para aplicação da análise técnica foi utilizado as
informações disponíveis no software Protrader Web que é fornecido gratuitamente por algumas
corretoras. Ao final do trabalho, o objetivo geral foi alcançado e foi apresentado uma proposta
prática e cientificamente fundamentada que pode ser reaplicada por outros investidores, sendo
que esses podem adaptar diversos pontos da pesquisa de forma a atender seus diferentes perfis,
conforme exemplificado nas considerações finais do trabalho. Uma das principais limitações
da pesquisa decorre do fato que a presente proposta não pôde ser avaliada em função dos
resultados obtidos, devido principalmente ao tempo necessário para fazer tal avaliação.
Palavras-chave: Simulação de cenários. Mercado de ações. Lógica fuzzy. Análise
fundamentalista. Análise técnica.
ABSTRACT
This dissertation aims to apply a scenario simulation model into the stock market, by using
fuzzy logic in fundamentalist indicators to define the asset to be invested and technical analysis
to determine the best timing to invest. The chosen model of scenario simulation foresees 5 steps,
the first one being previously achieved by Rojo’s (2014) study and the others being applied
throughout the fourth chapter or this research. Particularly, during the application of the second
step of the model, presented over chapter 4.1, the fuzzy logic was applied as the competitive
intelligence tool in order to support the analysis of 5 fundamental indicators. Therefore, as for
the objective, this research is exploratory, with a quantitative and qualitative approach, and the
research universe is compound of 10 shares that belong to the civil construction subsector and
are part of the Small Cap index. Regarding to the temporal perspective, it was adopted the
period between 18/11/09 and 27/08/17 to proceed with fundamental analysis and the period
between 28/08/17 and 24/11/17 to apply technical analysis. During the application of
fundamentalist analysis, the data were retrieved from Economática basis, meanwhile for the
application of technical analysis the information was extracted from the Protrader web software
that is provided by some brokers at no cost. At the end of the research, the general objective
was achieved and it was presented a practical and scientifically grounded proposal that may be
used by other investors, who may adapt several research points in order to attend their different
profiles, as exemplified in the final considerations of this paper. One of the main limitations of
this research arises from the fact that the present proposal could not be evaluated in terms of
obtained results, mainly due to the time needed to perform such evaluation.
Keywords: simulation of scenarios. Stock market. Fuzzy logic. Fundamentalist analysis.
Technical analysis.
LISTA DE ABREVIATURAS
AMIC: Associação de Micro e Pequenas Empresas de Cascavel
ANEEL: Agência Nacional de Energia Elétrica
B/M: do inglês Book-to-Market
BCG: do inglês Boston Consulting Group
BSC: do inglês Balanced Scorecard
COPEL: Companhia Paranaense de Energia
CP: Curto Prazo
DCF: do inglês Discounted Cash Flow
DJIA: índice Dow Jones Industrial Average
DY: do inglês Dividend Yield
EPUSP: Escola Politécnica da Universidade de São Paulo
FUNTEF: Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e
Tecnológico
GARP: do inglês Growth at a Reasonable Price
IBGE: Instituto Brasileiro de Geografia Estatística
ICON: indicador de desempenho médio das cotações dos ativos de maior negociabilidade e
representatividade dos setores de consumo cíclico, consumo não cíclico e saúde
IFR: Índice de Força Relativa
JSCP: Juros Sobre o Capital Próprio
Ln: Logaritmo de base “e”, onde “e” é um número irracional aproximadamente igual a 2,7182
LP: Longo Prazo
MACD: do inglês Moving Average Convergence Divergence MISO: do inglês Multiple-Input-Single-Output
MM: Média Móvel
MME: Média Móvel Exponencial
MMP: Média Móvel Ponderada
MMS: Média Móvel Simples
NASDAQ: do inglês National Association of Securities Dealers Automated Quotations
OBV: do inglês on balance volume
P/L: Preço dividido pelo Lucro Líquido por ação
P/VP: Preço dividido pelo Valor Patrimonial por ação
PEG: do inglês Profit / Earnings / Growth
S&P: do inglês Standard and Poor’s
SMLL: Índice Small Cap
SWOT: do inglês Strengths, Weaknesses, Opportunities and Threats
UTFPR: Universidade Tecnológica Federal do Paraná
LISTA DE EQUAÇÕES
EQUAÇÃO 1: REGRA FUZZY GENÉRICA DO TIPO "SE..., ENTÃO...". ......................................................................................... 47
EQUAÇÃO 2: FÓRMULA PARA CÁLCULO DA VARIÁVEL DY ..................................................................................................... 58
EQUAÇÃO 3: FÓRMULA PARA CÁLCULO DA VARIÁVEL “GRAU DE ENDIVIDAMENTO” ................................................................. 62
EQUAÇÃO 4: FÓRMULA PARA CÁLCULO DA VARIÁVEL “GRAU DE ENDIVIDAMENTO”, UTILIZADA PELA ECONOMÁTICA ...................... 62
EQUAÇÃO 5: FÓRMULA PARA CÁLCULO DA VARIÁVEL P/L .................................................................................................... 64
EQUAÇÃO 6: FÓRMULA PARA CÁLCULO DA VARIÁVEL P/VP ................................................................................................. 64
EQUAÇÃO 7: FÓRMULA PARA CÁLCULO DA VARIÁVEL “MARGEM LÍQUIDA” ............................................................................ 69
EQUAÇÃO 8: FÓRMULA PARA CÁLCULO DA VARIÁVEL “MARGEM LÍQUIDA”, UTILIZADA PELA ECONOMÁTICA ................................. 70
EQUAÇÃO 9: CRITÉRIO ADOTADO PARA AVALIAR A VARIÁVEL “DECISÃO DE COMPRA”............................................................... 74
LISTA DE FIGURAS
FIGURA 1: ABORDAGEM CLÁSSICA OU PROJETIVA VS ABORDAGEM PROSPECTIVA. ..................................................................... 26
FIGURA 2: MODELO CONCEITUAL PROPOSTO POR ROJO (2005). .......................................................................................... 29
FIGURA 3: REALIMENTAÇÃO CONTÍNUA DO MODELO DE SIMULAÇÃO DE CENÁRIOS PROPOSTO POR ROJO (2005). ......................... 31
FIGURA 4: INFLUÊNCIA AMBIENTAL NO MODELO DE SIMULAÇÃO DE CENÁRIOS PROPOSTO POR ROJO (2005). ............................... 32
FIGURA 5: TENDÊNCIAS ATUANTES NO MERCADO DE AÇÕES SEGUNDO DOW. .......................................................................... 40
FIGURA 6: FUNÇÕES DE PERTINÊNCIA PARA A VARIÁVEL LINGUÍSTICA “VELOCIDADE”. ................................................................ 44
FIGURA 7: MODELO GENÉRICO DE UM SISTEMA FUZZY. ........................................................................................................ 45
FIGURA 8: EXEMPLO DE FUNÇÕES DE PERTINÊNCIAS. .......................................................................................................... 46
FIGURA 9: USO DA ESTATÍSTICA DESCRITIVA PARA AUXILIAR NA ETAPA DE FUZZIFICAÇÃO. ........................................................... 60
FIGURA 10: VARIÁVEL DY FUZZIFICADA............................................................................................................................ 60
FIGURA 11: VARIÁVEL “CRESCIMENTO ANUAL DE VENDAS” FUZZIFICADA. .............................................................................. 61
FIGURA 12: VARIÁVEL “GRAU DE ENDIVIDAMENTO” FUZZIFICADA. ....................................................................................... 64
FIGURA 13: RELAÇÃO ENTRE P/L E LUCRO/PREJUÍZO LÍQUIDO POR AÇÃO, CONSIDERANDO O PREÇO POR AÇÃO CONSTANTE. ........... 66
FIGURA 14: VARIÁVEL P/L FUZZIFICADA. .......................................................................................................................... 67
FIGURA 15: VARIÁVEL P/VP FUZZIFICADA. ....................................................................................................................... 69
FIGURA 16: VARIÁVEL “MARGEM LÍQUIDA” FUZZIFICADA. .................................................................................................. 72
FIGURA 17: VARIÁVEL “DECISÃO DE COMPRA” FUZZIFICADA. .............................................................................................. 73
FIGURA 18: DISTRIBUIÇÃO DAS 972 REGRAS EM FUNÇÃO DAS DECISÕES TOMADAS PELO SISTEMA. ............................................. 74
FIGURA 19: SISTEMA MISO IMPLEMENTADO NA PESQUISA. ................................................................................................ 75
FIGURA 20: ILUSTRAÇÃO DOS PASSOS PERCORRIDOS COM A APLICAÇÃO DA LÓGICA FUZZY ......................................................... 77
FIGURA 21: VARIÁVEL P/L CORRIGIDA FUZZIFICADA. .......................................................................................................... 78
FIGURA 22: SINAL DE COMPRA OBTIDO ATRAVÉS DO CRUZAMENTO ENTRE 2 MMS. ................................................................. 80
FIGURA 23: GRÁFICO DE PREÇOS DIÁRIOS PARA MRVE3 COM MME DE 9 DIAS E DE 18 DIAS. ................................................... 82
FIGURA 24: GRÁFICO DE PREÇOS DIÁRIOS PARA EZTC3 COM MME DE 9 DIAS E DE 18 DIAS. .................................................... 82
FIGURA 25: APLICAÇÃO DO MODELO DE SIMULAÇÃO DE CENÁRIOS PROPOSTO POR ROJO (2005). .............................................. 84
LISTA DE QUADROS
QUADRO 1: CARACTERÍSTICAS DAS ABORDAGENS CLÁSSICAS DE PREVISÕES EM COMPARAÇÃO COM AS ABORDAGENS PROSPECTIVAS. 27
QUADRO 2: COMPARAÇÃO ENTRE AS ABORDAGENS TÉCNICA E FUNDAMENTALISTA. ................................................................. 36
QUADRO 3: PRINCIPAIS ESTRATÉGIAS TÉCNICAS. ................................................................................................................ 42
QUADRO 4: EMPRESAS DO SETOR “CONSUMO CÍCLICO/CONSTRUÇÃO CIVIL” QUE FAZEM PARTE DO ÍNDICE SMLL EM 04/09/17. .. 52
QUADRO 5: QUANTIDADE DE EMPRESAS QUE FAZEM PARTE DO ÍNDICE SMLL POR SUBSETORES. ................................................ 53
QUADRO 6: RELAÇÃO ENTRE TRABALHOS PRÉVIOS, OBJETIVO GERAL E ESPECÍFICOS, PROCEDIMENTO PARA COLETA DE DADOS E
SOFTWARES UTILIZADOS NA PESQUISA. ................................................................................................................... 56
LISTA DE TABELAS
TABELA 1: SETORES NOS QUAIS TEM-SE VISTO O ESTUDO DE CENÁRIOS. .................................................................................. 34
TABELA 2: ESTATÍSTICA DESCRITIVA DAS VARIÁVEIS P/L E P/VP. ........................................................................................... 55
TABELA 3: ESTATÍSTICA DESCRITIVA DAS VARIÁVEIS LN (P/L) E LN (P/VP). ............................................................................. 55
TABELA 4: DY ANUAL ENTRE 18/11/09 E 27/08/17 (VALORES EM PERCENTUAIS). ................................................................ 59
TABELA 5: ESTATÍSTICA DESCRITIVA DA VARIÁVEL DY, CONSIDERANDO TODAS EMPRESAS E TODO PERÍODO (VALORES EM
PERCENTUAIS). ................................................................................................................................................... 59
TABELA 6: CRESCIMENTO ANUAL DE VENDAS ENTRE 01/01/12 E 30/06/17 (VALORES EM PERCENTUAIS). ................................. 61
TABELA 7: ESTATÍSTICA DESCRITIVA DA VARIÁVEL “CRESCIMENTO ANUAL DE VENDAS”, CONSIDERANDO TODAS EMPRESAS E TODO
PERÍODO (VALORES EM PERCENTUAIS). ................................................................................................................... 61
TABELA 8: GRAU DE ENDIVIDAMENTO TRIMESTRAL ENTRE 31/12/09 E 30/06/17 (VALORES EM PERCENTUAIS). ......................... 63
TABELA 9: ESTATÍSTICA DESCRITIVA DA VARIÁVEL “GRAU DE ENDIVIDAMENTO”, CONSIDERANDO TODAS EMPRESAS E TODO PERÍODO
(VALORES EM PERCENTUAIS). ................................................................................................................................ 63
TABELA 10: P/L ANUAL ENTRE 18/11/09 E 27/08/17. .................................................................................................... 66
TABELA 11: ESTATÍSTICA DESCRITIVA DA VARIÁVEL P/L, CONSIDERANDO TODAS EMPRESAS E TODO PERÍODO. ............................... 67
TABELA 12: P/VP ANUAL ENTRE 18/11/09 E 27/08/17 (VALORES EM PERCENTUAIS). .......................................................... 68
TABELA 13: ESTATÍSTICA DESCRITIVA DA VARIÁVEL P/VP, CONSIDERANDO TODAS EMPRESAS E TODO PERÍODO (VALORES EM
PERCENTUAIS). ................................................................................................................................................... 69
TABELA 14: MARGEM LÍQUIDA TRIMESTRAL ENTRE 31/12/09 E 30/06/17 (VALORES EM PERCENTUAIS). .................................. 71
TABELA 15: ESTATÍSTICA DESCRITIVA DA VARIÁVEL “MARGEM LÍQUIDA”, CONSIDERANDO TODAS EMPRESAS E TODO PERÍODO
(VALORES EM PERCENTUAIS). ................................................................................................................................ 72
TABELA 16: PONTUAÇÃO ATRIBUÍDA AOS VALORES LINGUÍSTICOS DE CADA VARIÁVEL LINGUÍSTICA. ............................................. 74
TABELA 17: ANÁLISE DOS ÍNDICES COM BASE NA DATA DE 27/08/17. .................................................................................. 78
SUMÁRIO
1 INTRODUÇÃO ................................................................................................................................... 16
1.1 PROBLEMA DE PESQUISA ............................................................................................................................ 19
1.1.1 Questão de Pesquisa ................................................................................................................................... 20
1.2 OBJETIVOS ................................................................................................................................................... 21
1.2.1 Geral ............................................................................................................................................................ 21
1.2.2 Específicos ................................................................................................................................................... 21
1.3 JUSTIFICATIVA E CONTRIBUIÇÃO DA PRODUÇÃO TÉCNICA ........................................................................ 21
1.4 ESTRUTURA DA DISSERTAÇÃO .................................................................................................................... 24
2 REFERÊNCIAS TEÓRICAS E PRÁTICAS ................................................................................................. 26
2.1 CENÁRIOS .................................................................................................................................................... 26
2.1.1 Modelo Rojo para simulação de cenários ................................................................................................... 29
2.2 INVESTIMENTO EM AÇÕES .......................................................................................................................... 34
2.2.1 Análise fundamentalista .............................................................................................................................. 36
2.2.2 Análise técnica ............................................................................................................................................. 39
2.3 LÓGICA FUZZY .............................................................................................................................................. 43
2.3.1 Lógica fuzzy aplicada no mercado de ações ................................................................................................ 47
3 MÉTODO E TÉCNICAS DE PESQUISA DA PRODUÇÃO TÉCNICA ............................................................ 51
3.1 DELINEAMENTO DA PESQUISA .................................................................................................................... 51
3.2 PROCEDIMENTOS DE COLETA DOS DADOS ................................................................................................. 54
3.3 PROCEDIMENTOS E ANÁLISE DE DADOS ..................................................................................................... 55
3.4 LIMITAÇÕES DOS MÉTODOS E TÉCNICAS DE PESQUISA ............................................................................. 56
4 ANÁLISE E INTERPRETAÇÃO DOS RESULTADOS .................................................................................. 58
4.1 UTILIZAÇÃO DA LÓGICA FUZZY PARA COMPILAR OS INDICADORES PROVENIENTES DA ANÁLISE
FUNDAMENTALISTA E DEFINIR OS ATIVOS ALVOS ............................................................................... 58
4.1.1 Modelagem da variável 1: análise dos dividendos pagos ........................................................................... 58
4.1.2 Modelagem da variável 2: a empresa e a concorrência / setor / crescimento das vendas ........................ 60
4.1.3 Modelagem da variável 3: avaliação do endividamento ............................................................................ 62
4.1.4 Modelagem da variável 4: relação do preço da ação com o lucro e com o patrimônio ............................. 64
4.1.5 Modelagem da variável 5: histórico de lucro nos últimos 5 anos ............................................................... 69
4.1.6 Modelagem da variável 6: decisão de compra ............................................................................................ 72
4.1.7 Determinação das regras do sistema .......................................................................................................... 73
4.1.8 Determinação dos parâmetros técnicos do sistema ................................................................................... 75
4.1.9 Escolha dos ativos alvos .............................................................................................................................. 77
4.2 AVALIAÇÃO POR ANÁLISE TÉCNICA DO MELHOR MOMENTO PARA COMPRA DO ATIVO ......................... 79
4.3 APLICAÇÃO DO MODELO DE SIMULAÇÃO DE CENÁRIOS PARA OS ATIVOS DA CARTEIRA ......................... 83
4.3.1 Cenário otimista .......................................................................................................................................... 85
4.3.2 Cenário neutro ............................................................................................................................................. 86
4.3.3 Cenário pessimista ....................................................................................................................................... 87
5 CONTRIBUIÇÕES PARA A PRÁTICA ..................................................................................................... 89
6 CONSIDERAÇÕES FINAIS ................................................................................................................... 90
REFERÊNCIAS .............................................................................................................................................. 93
APÊNDICE A – REGRAS IMPLEMENTADAS NO SISTEMA .............................................................................. 102
16
1 INTRODUÇÃO
Com uma população em idade ativa, que compreende a faixa etária entre 15 e 64 anos,
estimada em cerca de 143.836.552 habitantes, segundo projeções do Instituto Brasileiro de
Geografia Estatística – IBGE (2017), o Brasil possui cerca de 579.140 investidores pessoa física
com ações ou outros ativos negociados na Bovespa, o que representa aproximadamente 0,40%
da população sendo que de 2012 a março de 2017, o número de investidores cresceu a uma taxa
média de 16,34% ao ano (BM&FBovespa, 2017a). Por sua vez, para fins de comparação nos
Estados Unidos que apresenta um mercado grande e diversificado – mais maduro, cerca de 52%
da população adulta diz investir no mercado de ações (McCarthy, 2016), segundo Barsi (2017)
esse número é de cerca de 87%.
Dentre os motivos que justifiquem essa baixa adesão de investidores brasileiros na bolsa
de valores nacional, pode-se destacar a dificuldade que o investidor iniciante tem para avaliar
as ações e tomar a decisão quanto ao investimento a ser feito, conforme apontado por Dias
(2016). Essa dificuldade existe, pois, o mercado de ações é um ambiente complexo e dinâmico,
no qual os preços dos ativos negociados são voláteis e sujeitos à influência de diversas variáveis
(Cerbasi, 2013; Dias, 2016; Othman & Schneider, 2010; Souza & Rojo, 2010). Dessa forma,
os investidores devem estar sempre bem informados e atentos, para que possam superar o
desempenho médio do mercado.
Existem atualmente 423 empresas brasileiras listadas na bolsa de valores
(BM&FBovespa, 2017b). Essas empresas podem ser segmentadas em termos de capitalização
de mercado, dando origem as ações blue chips (também denominadas ações de primeira linha)
e as ações small caps (também denominadas de segunda ou terceira linha). As primeiras
apresentam maior volume financeiro de negócios e geralmente atraem maior número de
investidores com variadas estratégias, proporcionando maior liquidez aos papéis. Por sua vez,
as small caps são empresas menores que as blue chips, porém se comparadas com outras
empresas sem ações em bolsa, as small caps podem ser consideradas gigantes, tendo por vezes
faturamento superior à casa do bilhão de reais. Ou seja, o tamanho da empresa não implica
necessariamente em melhores perspectivas futuras e os termos “primeira linha” ou “segunda
linha” não refletem os fundamentos econômicos das empresas (Lueders, 2009).
Dentre as ações small caps, justamente por não chamarem a atenção da maior parte dos
investidores, é possível encontrar empresas cujo potencial ainda não foi vislumbrado pelo
17
mercado. Outra vantagem que as small caps oferecem é o potencial de crescimento, visto que
o impacto de uma mudança nessas empresas é maior do que uma mesma mudança
implementada em uma empresa maior. Porém, para vislumbrar esse maior retorno o investidor
deve assumir maiores riscos (Rojo, 2014) e nesse caso também poderá ter que abrir mão da
liquidez imediata. É o conhecido tripé dos investimentos, os quais sempre devem ser avaliados
em termos da rentabilidade, liquidez e segurança oferecida (Fernandes, 2011).
Por ser um ambiente que pode propiciar grandes retornos ou perdas aos investidores, ao
longo dos anos o mercado de ações tem sido foco de muitos trabalhos acadêmicos e,
consequentemente, tem-se visto algumas abordagens segundo as quais o investidor pode se
basear para buscar uma maior assertividade nas decisões de investimentos. Dentre essas
abordagens destaca-se a análise fundamentalista e a análise técnica. Tavares e Silva (2012)
explicam que a primeira se baseia em informações extraídas das demonstrações contábeis, da
análise do mercado, do panorama econômico e de projeções de resultado da empresa. A segunda
é baseada em dados históricos de preços e volumes dos ativos negociados, a partir dos quais o
investidor irá explorar as tendências para auxiliar na tomada de decisão.
A análise fundamentalista parte do princípio que o mercado nem sempre é eficiente e
por vezes supervaloriza ou subvaloriza determinado ativo com relação ao seu valor real. Dessa
forma, o investidor pode se aproveitar desses momentos para buscar retornos acima da média
do mercado. Apesar dessas falhas momentâneas, entende-se que no longo prazo os ativos são
devidamente precificados e, portanto, o investidor deve buscar investir em empresas com boas
perspectivas de resultados. Para fazer essa avaliação, o investidor fundamentalista busca
analisar a empresa, a indústria ou mercado no qual a empresa está inserida, e todo o contexto
econômico que também pode influenciar nos resultados da empresa (Cerbasi, 2013).
Por sua vez, os adeptos da análise técnica, também conhecidos como grafistas ou
traders, entendem que o mercado é eficiente e o comportamento do preço do ativo já reflete
todas informações disponíveis ao mercado, eventuais informações disponíveis somente para os
insiders, além de aspectos psicológicos do mercado. Dessa forma, nos gráficos de preços do
ativo os traders têm toda informação que precisam e o objetivo passa a ser o de encontrar
padrões reconhecidos e/ou tendências que sinalizam a direção que o preço deve seguir na
sequência, de maneira a se antecipar ao mercado obtendo lucros na negociação. Além disso, o
grafista pode utilizar de indicadores provenientes de cálculos estatísticos para auxiliar na
tomada de decisão de investimento em ações (Stevens, 2002).
Em se tratando de análise fundamentalista e análise técnica, existe entre os defensores
de cada metodologia um debate caloroso sobre a vantagem de uma em relação à outra. No
18
entanto, alguns pesquisadores e/ou investidores defendem que as duas podem ser utilizadas
conjuntamente, pois não são mutuamente excludentes, mas sim complementares. Dessa forma,
para os defensores dessa linha de raciocínio, enquanto a análise fundamentalista é capaz de
avaliar o ativo com melhor potencial de valorização, com foco no longo prazo, a análise técnica
é melhor utilizada para se determinar o melhor momento de compra ou venda do ativo,
considerando um foco de curto prazo. Caravaggi (2006) explica que a primeira estratégia é
conhecida pelo termo stock picking, enquanto a segunda é denominada market timing. Por sua
vez, Graham (2007) utiliza os termos pricing e timing, respectivamente, associando o primeiro
à figura do investidor e o segundo à figura do especulador.
A análise técnica e a análise fundamentalista têm seus fundamentos balizados por
variáveis quantitativas, porém variáveis qualitativas também são imprescindíveis para uma
avaliação mais assertiva. Graham (1982), como citado em Jain (2010) afirma que o investidor
deve começar sua análise buscando baixos índices Preço/Lucro (P/L), e gradualmente ir
incorporando outras variáveis quantitativas e qualitativas para elaboração da sua carteira. Dessa
forma, para compilar e analisar todas essas variáveis, quantitativas e qualitativas, se faz
necessário o uso de alguma ferramenta para auxiliar o investidor. Nesse sentido a lógica fuzzy
se apresenta como uma solução a ser explorada (Matlab, 2017a).
A lógica fuzzy permite trabalhar com variáveis qualitativas e imprecisas (Wang, 2002),
tem uma abordagem não linear que se adapta à realidade do mercado de ações, permite absorver
o conhecimento de especialistas e análises já difundidas no mercado e por fim é uma ferramenta
consolidada, tendo apresentado resultados positivos em diversas pesquisas. Othman e
Schneider (2010, p. 881) afirmam que “lógica fuzzy é um método apropriado para lidar com a
complexidade do mercado de ações. Ela pode ser utilizada em tomada de decisão, previsão do
preço de uma ação assim como na formulação de estratégias para melhores resultados”.
Trabalhar com análises técnica e fundamentalista pode potencializar a assertividade da
tomada de decisão em investimento no mercado de ações. Por sua vez, a lógica fuzzy se
apresenta como uma ferramenta que permite analisar os ativos, considerando os preceitos das
análises citadas acima. Porém, ainda assim o comportamento do mercado é imprevisível e pode
apresentar resultados diferentes do que fora previsto pelo investidor. Damodaran (2006, p. 164)
afirma que “a única característica previsível das ações é sua imprevisibilidade”. Dessa forma,
tão importante quanto fazer uma boa análise das ações, visando a escolha daquela com maior
potencial de retorno, é se preparar para a possibilidade de que a tomada de decisão não tenha
sido a mais assertiva.
19
Ou seja, independente de quantas variáveis forem utilizadas no estudo, o mercado de
ações não pode ser previsto por esse conjunto delimitado de variáveis. Dessa forma, a simulação
de cenários visa preencher essa lacuna. De acordo com a metodologia proposta por Rojo (2005),
Souza e Rojo (2010) e considerando o estudo de Rojo (2014) é possível extrair e aproveitar as
análises já consolidadas no mercado, juntamente com o conhecimento de especialistas, por meio
da utilização da lógica fuzzy como ferramenta que permite fazer a análise das variáveis que
auxiliam na tomada de decisão de investimento. Porém, devido à imprevisibilidade do mercado
de ações, após a tomada de decisão o investidor deve ainda simular cenários futuros e, para
cada cenário, traçar estratégias com seus respectivos planos de ação, de forma a minimizar as
perdas ou potencializar os ganhos.
1.1 PROBLEMA DE PESQUISA
O presente trabalho tem como proposta uma continuação à pesquisa de pós-doutorado
em Administração desenvolvida por Rojo (2014) que culminou com a publicação do livro
“Investimento em ações small caps: cenários do mercado brasileiro”, no qual é proposto uma
sistematização de análise de investimentos em small caps por pessoa física, com foco no longo
prazo. No referido estudo foi feito um levantamento, com o auxílio da metodologia Delphi, dos
indicadores que dão suporte à avaliação das ações small caps e consequente tomada de decisão
por parte de investidores. No estudo, tais indicadores foram elencados com base no consenso
obtido entre 4 investidores que superaram o índice Ibovespa no período compreendido entre
2006 e 2010.
O seguinte questionamento foi feito aos investidores: “Quais as ferramentas de análise
de investimento em ações o(a) senhor(a) considera como variáveis críticas para que se faça
projeções de cenários de longo prazo (20 anos) para investimentos em ações small caps”. Após
3 rodadas da Delphi foi alcançado o consenso, de forma que os 5 indicadores elencados foram:
“análise dos dividendos pagos”, “a empresa e a concorrência / setor / crescimento das vendas”,
“avaliação do endividamento”, “relação do preço da ação com o lucro e com o patrimônio” e
“histórico de lucro nos últimos 5 anos” (Rojo, 2014).
Portanto, utilizando como base os 5 indicadores levantados na pesquisa desenvolvida
por Rojo (2014), o presente trabalho visa compilar essas variáveis, agregando ainda análise
técnica para dar suporte ao investidor na tomada de decisão de investimento, haja visto que os
indicadores levantados na pesquisa podem ser classificados como fundamentalistas. Após a
20
utilização de ambas abordagens e conforme sugerido por Rojo (2014), deverá ser feito a
simulação de cenários para o investimento.
Dessa forma, considerando o modelo de simulação de cenários proposto por Rojo (2005)
que é brevemente discutido no capítulo 2.1.1, o 1º nível do modelo consiste na aplicação da
técnica Delphi junto a especialistas para levantamento das variáveis críticas de sucesso. Essa
etapa já foi concluída e está sistematizada no estudo de Rojo (2014). Por sua vez, o 2º nível do
modelo proposto consiste na aplicação de uma ferramenta para compilar essas variáveis críticas.
Essa etapa também já foi idealizada no estudo desenvolvido por Souza e Rojo (2010), o qual
propõe a utilização da lógica fuzzy. A presente pesquisa, por meio dos 2 primeiros objetivos
específicos, exemplifica como esse segundo nível pode ser aplicado na prática. Por sua vez, o
3º objetivo específico visa finalizar a aplicação do modelo, por meio do cumprimento dos níveis
3, 4 e 5 do referido modelo de simulação de cenários.
Assim sendo, esse trabalho é semelhante à pesquisa de Dias (2016) que em sua
dissertação de mestrado comparou resultados obtidos com análise fundamentalista, análise
técnica, e uma abordagem híbrida e simulou três cenários, sendo eles mercado de baixa,
estagnação e alta. Em particular o presente trabalho visa utilizar uma metodologia específica
para simulação de cenários e prevê a utilização de lógica fuzzy como suporte para compilar
variáveis específicas do mercado de ações, podendo essas serem quantitativas ou qualitativas,
além de serem sujeitas a incertezas. Além disso, em relação ao trabalho desenvolvido por Dias
(2016), busca-se melhores resultados através de consideração de mais indicadores e por fim,
busca-se também aproveitar o conhecimento de especialistas para elencar os indicadores
utilizados em suas análises.
1.1.1 Questão de Pesquisa
Como aplicar um modelo de simulação de cenários no mercado de ações, utilizando
lógica fuzzy para auxiliar na análise de indicadores fundamentalistas e complementando com
análise técnica?
21
1.2 OBJETIVOS
1.2.1 Geral
Aplicar um modelo de simulação de cenários no mercado de ações, utilizando lógica
fuzzy em indicadores fundamentalistas para definir o(s) ativo(s) a ser(em) investido(s) e análise
técnica para determinar o melhor momento de investir.
1.2.2 Específicos
a. Utilizar lógica fuzzy para compilar os indicadores provenientes da análise
fundamentalista e definir os ativos alvos;
O primeiro objetivo específico consiste na modelagem do sistema. Nesse sentido, a exemplo
do que foi feito por Lima (2012) em sua dissertação de mestrado, essa etapa está subdividida
nas seguintes etapas:
i. Definição das variáveis linguísticas;
ii. Definição e modelagem dos valores linguísticos;
iii. Determinação das regras que associam as inputs às outputs;
iv. Determinação dos parâmetros técnicos do sistema.
b. Demonstrar por análise técnica o melhor momento de compra do ativo;
c. Aplicar o modelo de simulação de cenários para os ativos da carteira.
1.3 JUSTIFICATIVA E CONTRIBUIÇÃO DA PRODUÇÃO TÉCNICA
Em termos de justificativa teórica, entre o período de novembro de 2016 e janeiro de
2017 foi feito uma revisão bibliográfica buscando entender como a lógica fuzzy pode ser
utilizada para auxiliar o investidor do mercado de ações. A pesquisa foi delimitada de forma a
compreender todos os periódicos listados na plataforma Sucupira da Capes com classificação
Qualis 2014 na área de “administração pública e de empresas, ciências contábeis e turismo”
além dos periódicos da área “interdisciplinar” com estratos A1, A2 e B1. Como critério de
busca, foram utilizadas as seguintes expressões: “cenários & lógica fuzzy & tomada de
decisão”, “cenários & lógica fuzzy & investimentos”, “cenários & lógica fuzzy & mercado de
ações” ou “lógica fuzzy & ações”, ou ainda traduções desses termos para o inglês.
22
A presente pesquisa se justifica, pois dado a delimitação proposta no parágrafo anterior,
não foi encontrado um trabalho com uma proposta igual a essa. Foi encontrado trabalhos que
utilizem lógica fuzzy com análise técnica apenas, com análise fundamentalista, e com ambas
simultaneamente, além de vários trabalhos que utilizem lógica fuzzy aplicada em séries
temporais, buscando predizer o comportamento futuro de um ativo. No entanto, nenhum desses
trabalhos encontrados previa a utilização de um modelo de simulação de cenários.
Em termos práticos, o trabalho se justifica na medida em que apresenta uma proposta
que pode ser implementada por investidores que atuam no mercado de ações, sendo que essa
proposta pode ser adaptada para diferentes perfis e estratégias de investimentos.
A seguir é apresentado justificativas para as partes que compõem a presente pesquisa.
Utilização de cenários:
Sem se referir especificamente a metodologia de cenários, Miranda e Amstalden (2016,
p. 10) afirmam que “prever o futuro (vai subir ou vai cair) nada tem a ver com a nobre tarefa
de pesar vários tipos de futuro (vale a pena?). Prever o futuro é uma ambição impossível. Pesar
vários futuros é um exercício útil”. Grumbach (2000) corrobora com essa linha de pensamento
ao afirmar que a prospectiva não visa acertar o futuro, mas sim identificar as diversas
possibilidade e definir ações decorrentes.
Utilização do modelo Rojo para simulação de cenários:
O modelo Rojo foi construído a partir de uma tese de doutorado e, portanto, apresenta
consistência acadêmica bem fundamentada (Rojo, 2005). O modelo Rojo já foi aplicado em
diversas áreas, tais como construção civil, vestuário, organizações de ensino superior,
organizações do terceiro setor, entre outros, apresentando, portanto, consistência prática bem
fundamentada. Rodrigues, Rojo e Bertolini (2013) explicam que esse modelo se diferencia dos
demais na medida em que busca variáveis diretamente com os players do setor. Além disso, o
autor do método se destaca como um dos pesquisadores mais influentes na literatura nacional,
referente à linha de pesquisa de cenários prospectivos (Weiss, Kremer, Trentin & Rojo, 2017).
Por fim, o modelo ainda não foi aplicado no mercado de ações, sendo que essa lacuna teórica
já foi observada e sinalizada nas pesquisas conduzidas por Rojo (2014) e Souza e Rojo (2010).
Utilização de lógica fuzzy para compilação dos indicadores:
Godet (1979, p. 14) afirma que “não há verdades absolutas, apenas verdades relativas.
Toda proposição é verdadeira e falsa e importa apenas saber em que proporção ela é verdadeira
e em que proporção ela é falsa”. Godet faz essa afirmação para justificar uma das fontes de
erros (erros de interpretação) que existe ao fazer qualquer tipo de previsões. Não é o propósito
do autor, mas essa linha de pensamento justifica perfeitamente a aplicação de lógica fuzzy na
23
simulação de cenários, pois diferentemente da lógica tradicional binária a lógica fuzzy permite
trabalhar com imprecisão de variáveis. Siler e Buckley (2005) acrescentam que para lidar com
incertezas, ambiguidades e contradições (tipicamente encontradas no mercado de ações) as
regras podem ser modeladas por meio de um sistema especialista fuzzy. Wang (1997) salienta
que os sistemas fuzzy proveem um procedimento sistemático que permite modelar o
conhecimento empírico em modelos matemáticos não lineares, de tal forma que seja possível
utilizar esse conhecimento em diversas aplicações.
Utilização da análise fundamentalista:
No ano de 1984 Buffett deu uma palestra em comemoração ao 50º aniversário de
publicação do livro “Security Analysis” e posteriormente essa palestra virou um transcrito com
o título “The Superinvestors of Graham-and-Doddsville”. Nesse transcrito Buffett narra a
história de nove investidores bem-sucedidos que têm em comum o fato de seguirem os
ensinamentos propostos por Graham, mesmo que para isso cada investidor siga algumas
características próprias. Buffett é enfático ao afirmar que esses investidores pouco conhecem
de termos específicos como o coeficiente beta e o modelo de precificação de ativos de capital.
Para eles importa simplesmente o preço e o valor do ativo (Buffett, 1984).
Utilização da análise técnica:
Em sua dissertação de mestrado, Penteado (2003) concluiu que a análise técnica tem sua
validade como instrumento para a previsão de preços no mercado de ações brasileiro. Por sua
vez, Serafini (2010) aponta alguns estudos que avaliaram a utilização de análise técnica no
mercado de ações brasileiro: Minardi (2004) concluiu que as séries de preços passados contêm
algum poder de previsão, o que contradiz a hipótese de eficiência do mercado; Boainain (2007)
testou a análise técnica conhecida como Ombro-Cabeça-Ombro e obteve retornos positivos,
também contrariando a hipótese de eficiência do mercado; por sua vez Chicaroli e Valls Pereira
(2008) encontraram forte evidência de previsibilidade no mercado brasileiro de ações; por fim,
Baptista e Valls Pereira (2008) também obtiveram resultado positivo e estatisticamente
significante e verificaram a robustez da análise técnica no sentido de predizer preços futuros.
Utilização da análise técnica e fundamentalista conjuntamente:
A análise fundamentalista e a análise técnica podem ser utilizadas conjuntamente de
modo a potencializar os pontos fortes que cada uma tem a oferecer. Dessa forma, diversos
autores sugerem que a análise fundamentalista evidencia critérios que permitem a escolha de
qual ação comprar (picking ou pricing), enquanto a análise técnica fornece ferramentas que
permitem ao investidor tomar a decisão do melhor momento de comprar ou vender determinado
ativo (timing) (Cerbasi, 2013; Comissão de Valores Mobiliários, 2014; Dias, 2016; Elder, 2006;
24
Hilgert & Rassier, 2014; Padha, 2012). Considerando que, de acordo com Mehdi e Montazer
(2010), o principal desafio na tomada de decisão no mercado de ações é saber selecionar o ativo
correto no tempo preciso, a utilização de ambas abordagens visa atingir esse objetivo. Além
disso, a utilização de ambas análises também se complementa com relação ao tempo de
aplicação. Enquanto a análise fundamentalista foca em resultados no longo prazo, a análise
técnica visa resultados no curto prazo (Barros, 2015; Cohen, 2005; Dias, 2016; Dourra & Siy,
2002; Elder, 2006; Hilgert & Rassier, 2014; Rojo, Souza, & Hoss, 2011).
Se formos capazes de extrair nossas ideias da análise fundamentalista,
mas as filtrarmos com base em telas de análise técnica, estaremos
quilômetros à frente de quem analisa apenas os fatores fundamentais ou
somente os aspectos técnicos. Os fundamentos de alta devem ser
confirmados por indicadores técnicos ascendentes; do contrário, são
suspeitos. Os fundamentos de baixa devem ser confirmados por
indicadores técnicos descendentes. Quando os fatores fundamentais e
os aspectos técnicos estão atrelados, o operador experiente pode ter um
dia de herói (Elder, 2006, p. 54).
Justificativa para investimento com foco em small caps:
Rojo (2014) explica que as small caps geralmente não são foco dos investidores e,
consequentemente, é possível encontrar ativos de empresas cujo potencial ainda não foi
vislumbrado pelo mercado. Além disso, as small caps podem proporcionar rentabilidade maior
para o investidor, desde que esse tenha conhecimento dos fundamentos dessa empresa
(Takashiwa, 2011, como citado em Rojo, 2014). Luiz Barsi Filho, um grande investidor
brasileiro de reconhecido sucesso, sem se referir especificamente as small caps afirma “Um
investidor não deve se dedicar a investir apenas nas empresas mais conhecidas. Muitas vezes
as melhores oportunidades de investimento em ações são empresas menos conhecidas” (Barsi,
2016, p. 2). Reis (2017) corrobora com essa linha de raciocínio ao afirmar que as small caps
são menos acompanhadas também pelos fundos de investimentos e, consequentemente, por ter
menos investidores de peso precificando tais ações, elas tendem a ser negociadas com maiores
descontos do que as blue chips. Por fim, Wyatt (2009) acrescenta que no longo prazo as small
caps apresentam melhor desempenho que qualquer outra classe de investimento.
1.4 ESTRUTURA DA DISSERTAÇÃO
A presente pesquisa estrutura-se da seguinte forma: no primeiro capítulo é feito uma
introdução ao trabalho, de forma a contemplar o problema e a questão de pesquisa, o objetivo
geral e específicos, a justificativa teórica e prática para a realização dessa pesquisa, além da
25
estruturação do trabalho. No segundo capítulo do trabalho é abordado o referencial teórico,
sendo subdividido em 3 partes, que tratam de cenários, com destaque para o modelo de
simulação de cenários proposto por Rojo (2005); investimento no mercado de ações, com ênfase
na análise fundamentalista e a análise técnica; e lógica fuzzy, com destaque para sua aplicação
no mercado de ações. O terceiro capítulo do trabalho diz respeito aos aspectos metodológicos
ora empregados.
No capítulo quatro é feito a análise e interpretação dos resultados da pesquisa. Esse
capítulo está subdividido em 3 partes que correspondem à cada objetivo específico da pesquisa.
O quinto capítulo versa sobre as contribuições práticas da pesquisa e no sexto é discutido as
considerações finais do trabalho. Na sequência é apresentado as referências bibliográficas ora
utilizadas e por fim o Apêndice contém todas as regras que foram simuladas no capítulo 4.1.7.
26
2 REFERÊNCIAS TEÓRICAS E PRÁTICAS
2.1 CENÁRIOS
A visão clássica para realizar previsões futuras baseia-se na projeção dos
acontecimentos passados, que por sua vez resultam em um futuro único e definido. Por outro
lado, a visão prospectiva tem por objetivo desenvolver uma postura ativa em relação ao futuro,
partindo da análise do passado e do presente para configurar futuros possíveis, construir o futuro
desejado ou afastar-se de um futuro indesejado (EPUSP, 2003). A Figura 1 ilustra a diferença
entre essas duas abordagens.
Figura 1: Abordagem clássica ou projetiva vs abordagem prospectiva.
Fonte: Adaptado de Carneiro, Rodrigues, Pinheiro, Barreto e Sampaio (2011).
Por sua vez, Godet (1979) resume as principais diferenças entre os modelos clássicos de
previsões e a abordagem prospectiva conforme apresentadas no Quadro 1. O ator se refere ao
termo “abordagem prospectiva” como sendo um método qualitativo e múltiplo utilizado para
27
se fazer previsões. O autor explica ainda que diversos erros de previsões podem ser evitados
através da utilização da abordagem prospectiva, pois essa tem características que melhor se
adaptam à natureza dos problemas de previsão. Ao final do trabalho o autor resume que a as
abordagens clássicas são melhor aplicadas para previsões de curto prazo enquanto a abordagem
prospectiva proposta deve ser aplicada em estudos com foco na prospecção de cenários no longo
prazo.
Abordagens clássicas de previsões Abordagem prospectiva
Ponto de vista
adotado Fragmentado "Tudo o mais é igual" Abordagem global "Nada mais é igual"
Variáveis
estudadas Quantitativas, objetivas e conhecidas
Qualitativas, não necessariamente quantitativas,
subjetivas, conhecidas ou escondidas
Relação entre
as variáveis Estático, com estruturas fixas Dinâmico, com estruturas em evolução
Explicação
adotada O passado explica o futuro O futuro explica o passado
Visão do
Futuro Único e certo Múltiplo e incerto
Método
aplicado
Modelos quantitativos e determinístico
(econométricos e matemáticos)
Análise intencional1: modelos qualitativos
(análise estrutural) e estocásticos (cruzamento
de impactos)
Atitude quanto
ao futuro
Passivo ou adaptativo (o futuro virá -
simplesmente acontece) Ativo e criativo (futuro construído)
Quadro 1: Características das abordagens clássicas de previsões em comparação com as abordagens
prospectivas.
Fonte: Traduzido a partir de Godet (1979, p. 29). 1 O termo “análise intencional” utilizado pelo autor se refere a todos os métodos que lidam com
variáveis subjetivas, sendo que essas variáveis podem ser obtidas por meio de julgamento,
especulação, probabilidades subjetivas, entre outras. Entre esses métodos o autor cita a análise
estrutural – utilizada para revelar variáveis que poderiam passar desapercebidas e demonstrar o papel
que elas desempenham, a técnica Delphi – utilizada para extrair opinião de especialistas buscando um
resultado convergente, o cruzamento de impactos – utilizado para atribuir cargas probabilísticas para
os cenários e o método de cenários – utilizado para descrever caminhos consistentes que levam da
situação presente para uma situação futura.
Dentro da questão da abordagem prospectiva, um conceito fundamental é o de cenários.
O termo cenário pode ser entendido como a especificação de um potencial futuro bem como o
caminho para se chegar a esse futuro (Godet, 1979). Nessa mesma linha de raciocínio, Porter
(1980) define que cenários é um conjunto delimitado de eventuais realidades futuras que podem
vir a se tornar realidade. Para Rojo (2005), cenários são possibilidades de eventos futuros que
podem ser simulados através de uma parametrização. Por sua vez, Roper et al. (2011) definem
que um cenário pode ser visto como um rascunho cujo objetivo é propiciar uma visão holística
de um futuro possível.
28
Simular cenários tem por objetivo organizar e reduzir as incertezas tanto quanto for
possível (Porto e Régnier, 2003). Rojo (2005, p. 133) corrobora com essa linha de raciocínio
ao defender que simular cenários “significa não esperar as mudanças para definir o rumo e sim
definir possibilidades de rumos para esperar as mudanças”. Roper et al. (2011) explicam ainda
que a análise de cenários é útil, pois possibilita a integração entre diferentes tipos de informação,
podendo essa ser quantitativa, qualitativa, objetiva ou normativa, com o objetivo de prever
futuros possíveis, possibilitando assim uma melhor tomada de decisão.
Osterwalder e Pigneur (2011, p. 182) apresenta outro propósito para a aplicação de
cenários: “guiar o design de novos modelos de negócios ou inovar modelos existentes”. O autor
afirma que simular cenários não busca prever o futuro, mas sim imaginar possíveis futuros. Por
meio de simulação de cenários os profissionais passam a refletir sobre os modelos de negócio
mais apropriados para cada ambiente futuro, sendo que a essa prática dá-se o nome de
“planejamento de cenários”. Dessa forma, pode-se avaliar como os modelos de negócios
precisam evoluir sob certas condições, ou seja, para cada cenário um ou mais modelos de
negócios pode ser desenvolvido, permitindo assim que a empresa esteja melhor preparada para
o futuro. Nesse sentido, Rojo (2006) acrescenta ainda que a simulação de cenários dentro de
um ambiente competitivo é uma etapa importante que deve ocorrer antes do planejamento, ou
ainda, desde que a simulação seja flexível e atualizada permanentemente, ela pode servir como
ferramenta de manutenção de informações situacionais, a ser utilizada durante a própria
implementação da estratégia.
No que diz respeito a quantidade de cenários simulados, segundo Roper et al. (2011)
geralmente adota-se 3 cenários, abrangendo assim uma projeção para o pior caso possível, outra
prevendo o melhor caso, e por fim uma projeção na qual não existam surpresas em relação à
situação presente. Outra opção viável é trabalhar com 2 cenários, nos quais um deles é o cenário
base, ou seja, consiste na extrapolação de tendências atuais e admite que as variáveis não
sofrerão grandes mudanças, e o segundo cenário é o oposto do primeiro (Godet, 1979;
Scandiffio, 2005). Heijden (1998), como citado em Souza e Rojo (2010) afirma que de modo a
refletir a incerteza, no mínimo 2 cenários devem ser considerados, e considerando a viabilidade
prática do estudo, 4 cenários seria o número máximo.
Quanto ao horizonte de tempo, sobre o qual os cenários são projetados, Godet (1979)
afirma que deve ser definido caso a caso, conforme o objetivo do estrategista.
Quanto as limitações da aplicação de cenários, os autores afirmam que nenhum cenário
acontece exatamente conforme fora previsto (Godet, 1979; Porto & Régnier, 2003; Rojo 2005).
Além disso, Porto e Régnier (2003) afirmam que prospectar cenários não visa eliminar as
29
incertezas relativas ao macro ambiente. Por sua vez, Scandiffio (2005) alerta que prospectar
cenários não é fazer prognósticos apressados, sem um estudo prévio pormenorizado. Outra
limitação é que os resultados alcançados devem ser aplicados apenas no contexto no qual ele
foi concebido, não sendo possível sua extrapolação (Godet, 1979).
2.1.1 Modelo Rojo para simulação de cenários
Em sua tese de doutorado Rojo (2005) propõe um modelo de simulação de cenários
baseado em 5 etapas, denominadas níveis, conforme apresentado na Figura 2. Após a definição
do modelo, o autor o aplicou na simulação de cenários para uma instituição de ensino superior
privada. No entanto, o autor deixa claro que a mesma metodologia pode ser utilizada em outros
casos de interesse.
Figura 2: Modelo conceitual proposto por Rojo (2005).
Fonte: Adaptado de Rojo (2005).
a. Nível 1 – Delphi: o objetivo dessa primeira etapa é obter as variáveis críticas que
balizarão as etapas subsequentes. Para tanto, é proposto a aplicação de uma técnica
investigativa, a Delphi, que busca o consenso quanto às variáveis que compõem os
cenários de interesse. Esse consenso é buscado entre especialistas, concorrentes e/ou
30
membros da própria organização que aplica o modelo. Enquanto o primeiro nível exige
o consenso entre as partes envolvidas, a partir do segundo nível, pode-se prosseguir a
análise considerando a perspectiva apenas da parte interessada no estudo, a exemplo do
trabalho conduzido por Rodrigues, Rojo e Bertolini (2013). Nesse sentido,
independentemente da quantidade de variáveis elencadas no nível 1, o número de
variáveis críticas a serem exploradas pode variar de acordo com a necessidade e as
intenções do sujeito responsável pela simulação de cenários, ora denominado
“estrategista” (Rojo, 2005, 2006);
b. Nível 2 – inteligência competitiva: uma vez obtida as variáveis na etapa anterior, o
método prevê a aplicação de ferramenta(s) que possa(m) fornecer informações para
auxiliar o estrategista na formulação dos cenários. A(s) ferramenta(s) a ser(em)
utilizada(s) deve(m) ser definida(s) pelo estrategista, tendo em vista sua aplicabilidade,
confiabilidade, familiaridade e outros aspectos que considerem necessários para obter o
melhor diagnóstico possível. O número de ferramentas a serem utilizadas também
depende da avaliação do estrategista e geralmente utiliza-se ferramentas amplamente
difundidas como a matriz SWOT (do inglês Strengths, Weaknesses, Opportunities and
Threats), a matriz BCG (do inglês Boston Consulting Group), o BSC (do inglês
Balanced Scorecard), as 5 forças de Porter, o modelo de Canvas, entre outros, porém,
o modelo é aberto para utilizar outras ferramentas menos difundidas. Cada ferramenta
pode ser aplicada e reaplicada quantas vezes for necessário, por exemplo, uma análise
SWOT aplicada semestralmente pode fornecer informações suficientes para determinar
simulações necessárias ou desejadas. Além disso, pode-se retirar ou incluir novas
ferramentas na medida em que essa etapa é repetida, porém ressalva-se que se essas
ferramentas forem mantidas será possível gerar um histórico da evolução do diagnóstico
(Rojo, 2005, 2006);
c. Nível 3 – cenários: com base no resultado da aplicação da(s) ferramenta(s) na etapa
anterior, nesse momento o estrategista deve exercitar sua criatividade para simular os
possíveis cenários para um determinado horizonte de tempo, sendo que cada cenário
corresponde a uma antecipação de possíveis alterações contextuais (Rojo, 2005);
d. Nível 4 – estratégias: para cada cenário simulado na etapa anterior deve ser formulado
estratégia(s), reduzindo assim o elemento risco, pois quando o cenário for definido pelos
acontecimentos a opção pela estratégia configura-se como mais assertiva. A formulação
das estratégias depende dos objetivos do estrategista, pois cada cenário simulado
31
apresenta problemas que requerem soluções, sendo que a definição das estratégias
representa a formulação das soluções para esses problemas (Rojo, 2005, 2006);
e. Nível 5 – plano de ação: para cada estratégia definida na etapa anterior, nesse momento
deve ser formulado plano(s) de ação, com suas respectivas metas, considerando para
tanto a capacidade e a forma de execução a ser adotada (Rojo, 2005, 2006).
O modelo proposto por Rojo (2005) prevê ainda uma retroalimentação, na qual, na
medida em que as estratégias são executadas, o estrategista deve monitorar os resultados, para
constantemente realimentar as ferramentas utilizadas no nível 2 do modelo, posteriormente
atualizar os cenários definidos no nível 3, reformulando as estratégias no nível 4 e
consequentemente readequando os planos de ação no nível 5, conforme demonstrado na Figura
3.
Figura 3: Realimentação contínua do modelo de simulação de cenários proposto por Rojo (2005).
Fonte: Rojo (2005).
A influência ambiental também deve ser considerada na simulação de cenários,
conforme representado na Figura 4. Dessa forma, cada nível do modelo pode ser impactado por
questões como mudanças políticas, legislação, contexto econômico, movimentos da
concorrência ou quaisquer outros fatores que possam impactar na simulação de cenários. Em
alguns casos, podendo ser periódico ou quando houver alterações significativas no ambiente, o
sistema deve ser reiniciado desde a primeira etapa, de forma a poder contemplar novas variáveis
críticas (Rojo, 2005, 2006).
32
Figura 4: Influência ambiental no modelo de simulação de cenários proposto por Rojo (2005).
Fonte: Adaptado de Rojo (2006).
O modelo de simulação de cenários proposto por Rojo (2005) tem sido aplicado em
diversas áreas. Por exemplo, Rodrigues, Rojo e Bertolini (2013) simularam cenários no setor
de construção civil visando a formulação de estratégias competitivas para uma construtora da
cidade de Cascavel. Convém ressaltar que a primeira etapa do modelo foi aplicada junto a 3
concorrentes diretos, sendo um deles a empresa foco de estudo.
Em sua dissertação de mestrado, Dietrichkeit (2015) aplicou o modelo a partir da
terceira etapa, com o objetivo de analisar as diferentes perspectivas, no tocante a qualidade da
energia elétrica, entre Agência Nacional de Energia Elétrica – ANEEL, a Companhia
Paranaense de Energia – COPEL e 23 consumidores industriais. Ao término do trabalho foram
simulados cenários e formuladas estratégias preventivas com suas respectivas metas que visam
a mitigação de conflito entre as partes envolvidas.
Em outro trabalho de dissertação, Hsu (2016) aplicou o modelo Rojo para analisar as
variáveis, simular cenários e definir um planejamento estratégico para uma organização do
terceiro setor, a saber, a Associação de Micro e Pequenas Empresas de Cascavel – AMIC. Por
sua vez, Brandalise, Rojo, Mata e Souza (2012) aplicaram o modelo Rojo para simular cenários
e formular estratégias competitivas para uma empresa do ramo de vestuários, a Atacado
Liderança. A primeira etapa de aplicação do modelo abordou 8 dirigentes, sendo 4 deles
pertencentes à empresa estudo e os demais pertencentes a 4 empresas concorrentes. A partir do
33
segundo nível do modelo, a pesquisa foi conduzida somente sob a perspectiva dos dirigentes da
empresa citada acima.
O modelo Rojo (2005) também já fora aplicado com o intuito de otimizar os resultados
da Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e Tecnológico –
FUNTEF, da Universidade Tecnológica Federal do Paraná – UTFPR, campus de Pato Branco.
No referido estudo, com o auxílio da matriz BCG e matriz SWOT, foi identificado 4 serviços
prestados pela fundação, sendo que cada serviço representa uma fonte de receita, e foram
simulados cenários nos quais 2 desses serviços são incertos. Esses serviços prestados remetem
à questão da variável crítica “sustentabilidade financeira” identificada no primeiro nível do
modelo (Hoss, Bromberger, Rojo, & Souza, 2012).
Convém ainda destacar 2 pesquisas em andamento que possivelmente também terão a
aplicação do modelo Rojo: em sua dissertação de mestrado, Lionço (2017) pesquisa o
planejamento estratégico no processo sucessório de um grupo empresarial através da simulação
de cenários. Por sua vez, Almeida (2017) aborda o planejamento estratégico da Receita Federal
do Brasil sob a óptica de comparação frente a órgãos similares de outros países.
Por fim, Weiss, Kremer, Trentin e Rojo (2017) fazem uma análise bibliométrica e
sociométrica, sem delimitação temporal, referente as pesquisas publicadas em periódicos
nacionais acerca de cenários. Os autores encontraram que os pesquisadores nacionais mais
referenciados nesse assunto são Claudio Antonio Rojo e James Terence Coulter Wright. Sem
se delimitar a um modelo específico de simulação de cenários, a Tabela 1 exibe os diferentes
setores nos quais tem-se visto a aplicação de cenários.
Qtd. %
Setor de turismo 8 9,5
Setor público 6 7,1
Setor tecnológico 6 7,1
Setor industrial 5 6,0
Setor calçadista 4 4,8
Instituições financeiras 4 4,8
Investimentos 3 3,6
Setor de agronegócio 3 3,6
Setor petroquímico 3 3,6
Setor de telefonia 2 2,4
Meio ambiente 2 2,4
Universidades 2 2,4
Setor recursos hídricos 1 1,2
Setor de serviços 1 1,2
Setor moveleiro 1 1,2
Setor cooperativas 1 1,2
Setor hospitalar 1 1,2
34
Terceiro setor 1 1,2
Jornalismo 1 1,2
Construção civil 1 1,2 Tabela 1: setores nos quais tem-se visto o estudo de cenários.
Fonte: Adaptado de Weiss, et al. (2017).
2.2 INVESTIMENTO EM AÇÕES
“A única característica previsível das ações é sua imprevisibilidade”. Essa proposição,
feita por Damodaran (2006, p. 164), reflete bem a complexidade que é intrínseca ao mercado
de ações. O autor deixa claro que não existe nenhuma estratégia que ofereça sucesso garantido
quando se trata do mercado de ações. Essa volatilidade existe, pois as ações são influenciadas
por centenas de variáveis diferentes, sendo essas variáveis ligadas à economia ou associadas às
informações das empresas. Dessa forma, cabe ao investidor coletar e processar essas
informações, fazendo julgamentos sobre o valor dos ativos negociados, de maneira a aproveitar
erros de precificação cometidos pelo mercado e buscando um desempenho acima do investidor
médio.
Visando compreender o comportamento do mercado, ao longo dos anos algumas
abordagens têm sido propostas: Pimenta (2009) sintetiza que a Teoria de Portfólio proposta por
Markowitz (1952), a Hipótese de Eficiência de Mercados de Capitais, proposta por Famá (1970)
e o modelo de Precificação de Ativos Financeiros, desenvolvido por Sharpe (1964), Lintner
(1965) e Black (1972) constituem a moderna teoria de finanças, a qual recomenda que o
investidor tente obter um rendimento de acordo com o nível de risco que o mesmo está disposto
a aceitar.
Mais recentemente, nas últimas três décadas vem surgindo trabalhos que incorporam
aspectos psicológicos do mercado, dando origem ao campo de finanças comportamentais. Os
pesquisadores dessa área partem do princípio que os agentes financeiros não se comportam de
forma completamente racional, como admitido anteriormente (Pimenta, 2009). Apesar dessas
abordagens estarem ganhando cada vez mais espaço, a teoria tradicional de finanças, composta
pela análise técnica e fundamentalista, merece destaque dada sua grande aplicabilidade
verificada também em termos práticos.
De forma bastante objetiva, Ávila (2017) afirma que “a escola fundamentalista mostra
por que os preços se comportam de uma determinada forma até aqui. A escola técnica mostra
como os preços se comportaram até aqui”. Dias (2016) em sua dissertação de mestrado concluiu
que a análise fundamentalista é melhor empregada para fins de escolha qual ação comprar,
35
enquanto a análise técnica é melhor empregada para se avaliar o melhor momento de comprar
ou vender o ativo.
Na análise técnica as variáveis mais importantes são: volume de negociação e preços,
sendo eles de abertura, fechamento, mínimo e/ou máximo (Dymova, Sevastianov, &
Kaczmarek, 2012). Por sua vez, na análise fundamentalista é importante observar fatores
econômicos, tais como, as condições do negócio, o mercado no qual a organização está inserida
e os fatores macroeconômicos. Enquanto a análise técnica se baseia na hipótese de mercados
eficientes, na qual afirma-se que toda informação sobre determinado ativo é imediatamente
absorvida pelo mercado e consequentemente, já reflete no preço do ativo, na análise
fundamentalista, entende-se que o mercado está sujeito a variáveis incontroláveis como o ânimo
do mercado e, portanto, não pode ser previsto. O analista técnico procura padrões históricos,
pois acredita que esses padrões se repetem ao longo do tempo. Por sua vez, o analista
fundamentalista acredita que o mercado tem comportamento aleatório (Cerbasi, 2013; Siegel,
2015). Dias (2016) apresenta um quadro resumindo as principais diferenças entre ambas
abordagens, conforme apresentado no Quadro 2.
Critério Análise Fundamentalista Análise técnica
Valor das ações O valor real das ações nem sempre se
reflete no preço das ações no mercado
Todas as informações já são de
conhecimento do mercado e estão
precificadas no valor da ação
Explicação da variação
dos preços
A explicação para movimentos futuros
está nos fundamentos da empresa
A explicação para os movimentos
futuros está nas séries históricas dos
preços
Para qual tipo de ativo
pode ser utilizada
Utilizada apenas para análise de ações
de empresas
Utilizada para todo tipo de ativo do
mercado financeiro
Quanto à diversificação
Diversificação não é uma regra
inquebrável. Às vezes, é melhor colocar
todos os ovos em poucas cestas
conhecidas e que se possa vigiá-las
Diversificação está relacionada a menor
risco
Indicação de prazo Mais indicada para análises de longo
prazo
Mais indicada para operações de curto
prazo
Escolha das empresas
nas quais se deve investir
As empresas nas quais se vai investir
são definidas pelas informações
financeiras
Não é muito clara a decisão de escolha
de quais empresas investir
Momento certo de
comprar e vender
Não é muito clara na decisão sobre qual
momento exato de comprar ou de
vender
A maior parte das ferramentas visa
captar o momento certo de comprar e de
vender determinada ação.
Risco
Risco está relacionado com perda, e
não pode ser eliminado, somente
transferido. Risco menor está
relacionado com margem de segurança
Risco é a variação dos retornos - não
necessariamente algo negativo, mas algo
inesperado
36
Avaliação dos agentes do
mercado
Pressupõe a racionalidade dos agentes.
Não existe nenhum componente
psicológico envolvido em tal análise
Os agentes do mercado agem motivados
pela emoção
Quadro 2: Comparação entre as abordagens técnica e fundamentalista.
Fonte: Adaptado de Dias (2016).
2.2.1 Análise fundamentalista
Passos (2006) explica que a escola fundamentalista explora os fundamentos
macroeconômicos, setoriais e relativos a empresa que está sendo analisada. O principal objetivo
dessa abordagem é determinar o valor justo ou valor intrínseco da empresa. O autor explica
ainda que, de acordo com Cunningham (2005), Haugen (2000) e a renomada revista americana
Money Magazine, Benjamim Graham é considerado como o pai da análise fundamentalista.
Sendo que o mesmo deu origem aos pilares conceituais de como um investidor comum poderia
avaliar as informações disponíveis no mercado, de modo a obter resultados consistentemente
melhores que o mercado em geral.
A análise fundamentalista parte do pressuposto que o valor real de uma empresa está
relacionado às suas características financeiras. Dessa forma, ao optar pela análise
fundamentalista, parte-se do pressuposto que o foco é nos resultados de médio e longo prazo e
justamente no longo prazo entende-se que a relação entre o valor e os fatores financeiros pode
ser medida e se mantém estável. Admite-se, no entanto que no curto prazo pequenos desvios
podem ocorrem entre a relação preço e valor e na ocorrência desses desvios é possível avaliar
se os preços estão sub ou sobre avaliados (Comissão de Valores Mobiliários, 2014; Haugen,
2000; Kobori, 2011).
A análise fundamentalista pode ser feita de duas formas que divergem quanto a
importância na ordenação das variáveis a serem consideradas no estudo. Na análise top down
entende-se que o desempenho da empresa, e consequentemente o valor de sua ação, é
predominantemente influenciado por fatores macroeconômicos, como PIB, inflação, juros,
desemprego, entre outros. Dessa forma, primeiramente deve-se avaliar essas variáveis antes da
empresa em si. Por sua vez, na análise bottom up deve-se estudar os fundamentos individuais
de cada empresa, como padrões de governança, perspectiva de crescimento, entre outros. Os
adeptos da segunda abordagem afirmam que quanto melhor as características da empresa, mais
rápido ela deve superar as condições macroeconômicas adversas (Comissão de Valores
Mobiliários, 2014).
37
A análise fundamentalista, de acordo com Artuso e Chaves (2010) pode ser dividida em
duas principais correntes, sendo elas: investimento em valor (tradução do termo value investing)
e investimento em crescimento (tradução do termo growth investing). Enquanto a primeira
concentra-se em empresas mais maduras, com crescimento estável, maior distribuição de
dividendos e baixos índices de Preço por Lucro (P/L) e Preço por Valor Patrimonial (P/VP), a
segunda visa empresas com performance sólidas no passado e com boa expectativa de
performance no futuro. Jain (2010) aponta ainda que a primeira foca em informações do
passado enquanto a segundo foca em projeções do futuro.
Em se tratando de investimento em valor, uma das principais obras apontada pelos
pesquisadores como precursora dessa metodologia é o livro de Graham e Dodd (2009),
“Security Analysis”, o qual teve sua primeira edição lançada ainda no ano de 1934. Nessa obra,
os autores afirmam que cabe ao investidor encontrar no mercado ações que estejam sendo
negociadas abaixo do seu valor intrínseco. Se por um lado Graham é considerado o pai da
análise fundamentalista, o mesmo também é considerado o Decano da abordagem de
investimento em valor (Brierig, 2000, como citado em Passos, 2006, p. 60). Entretanto, Jain
(2010) afirma nunca ter visto Graham utilizar o termo “investimento em valor”.
O valor intrínseco de uma ação é um ponto fundamental para aqueles que buscam
investir em valor, sendo que o principal desafio para o investidor que utiliza os princípios
estabelecidos por Graham e Dodd é justamente estimar esse valor intrínseco das ações. Jain
(2010) acrescenta que o valor intrínseco calculado para uma ação é uma estimativa e não um
valor exato. Dessa forma, o valor intrínseco pode variar de investidor para investidor, pois esses
têm diferentes perspectivas quanto aos prospectos futuros da empresa, bem como no seu perfil
de tolerância ao risco.
Outro termo fundamental quando se discute investimento em valor é a “margem de
segurança”. Sabendo que uma ação deve ser comprada apenas se o mercado está precificando-
a abaixo do valor intrínseco. A pergunta a ser feita é: o quão mais barato a ação deve estar em
relação a seu valor intrínseco? A margem de segurança é justamente a diferença ente o valor
intrínseco de uma ação o preço determinado pelo mercado. Em outras palavras, se optar por
comprar uma ação cujo preço é igual ao seu valor intrínseco calculado, então não existe margem
de segurança na compra. A margem de segurança também pode ser compreendida como a taxa
de desconto recebida na compra da ação (Jain, 2010).
Dessa forma, Warren Buffett (1984) resume que os investidores que seguem os
princípios estabelecidos por Graham e Dodd se preocupam principalmente com duas variáveis:
o preço e o valor das ações. Ou seja, admite-se que o mercado seja ineficiente em algumas
38
avaliações e, portanto, esses investidores buscam comprar ações cuja precificação do mercado
esteja abaixo do que o ativo realmente vale. Buffett (1984) relembra ainda que ao investir em
valor, a relação entre risco e retorno é inversamente proporcional. Isso decorre do fato de que
quanto mais barato você paga no ativo, maior é o seu potencial de rendimento e menor é o risco,
pois a margem de segurança é maior.
Por sua vez, Philip Fisher é tido como o precursor da estratégia de investimento em
crescimento. Em termos gerais o objetivo, diferentemente da abordagem de investimento em
valor, é encontrar empresas que tenham capacidade de maximizar seus resultados no futuro. Se
na abordagem de investimento em valor uma ação foi avaliada como cara frente ao seu preço
de mercado, essa mesma ação ao ser analisada sob a óptica de investimento em crescimento,
pode ser julgada barata se contemplar o rendimento futuro da empresa. A metodologia proposta
por Fisher é complementar à abordagem de Graham, com a ressalva que ao investir em
crescimento entende-se que o valor intrínseco de uma ação deve crescer juntamente com
empresa (Miranda & Amstalden, 2016).
Em seu livro mais emblemático “Common Stocks and Uncommon Profits”, Fisher
apresenta um guia qualitativo com 15 tópicos que permitem a identificação de empresas bem
geridas e com oportunidades de sólido crescimento à frente. A metodologia empregada por
Warren Buffett em seus investimentos está mais próxima da estratégia de investimento em
crescimento do que investimento em valor, muito embora o próprio Buffett afirma que ele é
85% Graham e 15% Fisher (Miranda & Amstalden, 2016). Por sua vez, Jain (2010) afirma
apenas que Buffett combina e estratégia de valor e crescimento, sem especificar a proporção.
De acordo com Sam Walton, fundador da rede Wal-Mart, cujo valor de ações cresceu
cerca de 80.000% entre 1970 e 2008, para encontrar um negócio de crescimento o investidor
precisa avaliar a empresa do ponto de vista do cliente, pois ele é o verdadeiro chefe. Dessa
forma, se o cliente está satisfeito com as vendas da empresa e acreditando que os lucros
continuarão a subir, então deve-se comprar a ação, por um preço razoável, para mantê-la em
carteira por um longo período, aguardando sua valorização. Dessa forma, a variável mais
importante é o crescimento do lucro futuro, sendo que esse crescimento futuro depende dos
lucros passados, considerando um horizonte de no mínimo 5 anos. Além do crescimento no
lucro é importante observar o crescimento histórico das vendas (Jain, 2010).
No estudo de Cordeiro e Machado (2013) foi feito uma comparação entre as estratégias
de investimento em valor vs investimento em crescimento, aplicados na bolsa de valores
brasileira, no período entre 1995 e 2008. Os autores concluíram que a estratégia de investimento
em crescimento apresentou melhor desempenho, em comparação com investimento em valor,
39
o que contradiz os resultados apresentados tanto na literatura internacional quanto nacional. Os
autores concluíram também que a variável que melhor identifica as ações de crescimento é dada
pela razão valor patrimonial pelo valor de mercado (do inglês Book-to-Market – B/M).
Investir em crescimento ou investir em valor não necessariamente consiste em ideias
opostas. Damodaran (2006) apresenta uma estratégia denominada Crescimento a Preço
Razoável (do inglês Growth at a Reasonable Price – GARP), afirmando que essa estratégia é
adotada por investidores de sucesso como Peter Lynch. Basicamente nessa estratégia o
investidor busca por ações de crescimento, mas que estejam sendo negociadas a um preço
razoável. Para tanto, há duas possibilidades de investimentos: comprar ações com P/L inferior
à taxa esperada de crescimento ou comprar ações de baixo múltiplo P/L de crescimento (do
inglês Profit / Earnings / Growth - PEG).
2.2.2 Análise técnica
Resumidamente, os analistas técnicos, também conhecidos como investidores com
orientação técnica ou ainda traders, ou seja, investidores orientados unicamente pela análise
técnica, usam apenas informações de preços e volumes dos ativos para fazer predições de
tendências e movimento futuro de preço (Stevens, 2002).
Serafini (2010) em sua dissertação de mestrado explica que a premissa básica da análise
técnica é que o passado influencia o futuro, pois admite-se que existe um fator psicológico que
predomina entre os investidores, de forma com que certos padrões observados no passado
tendem a se repetir. O autor testou 4 sistemas técnicos de trading, aplicados na bolsa de valores
brasileira, entre os anos de 1999 e 2009. Os resultados encontrados apontam que algumas
estratégias testadas geraram retornos expressivos, indicando que a análise técnica tem sim seu
valor. No entanto, os resultados sugerem que os sistemas testados não foram capazes de
antecipar o futuro com base nos valores passados.
Charles Dow é tido como criador dos índices do mercado de ações e precursor da análise
técnica. Dow foi o fundador do Wall Street Journal e criador do índice Dow Jones Industrial
Average - DJIA, que servia de base para suas análises sobre os preços das ações. No ano de
1922, Willian Peter Hamilton compilou uma série de estudos feitos por Dow e publicou o livro
intitulado The Stock Market Barometer, dando origem àquilo que hoje é conhecido como Teoria
de Dow. Atualmente credita-se à essa teoria a semente para um conjunto de estudos gráficos de
preços e volumes que tem evoluído e se tornado cada vez mais complexos (Comissão de
40
Valores Mobiliários, 2014; Hilgert & Rassier, 2014). Outra obra seminal é o livro escrito por
Robert Edwards e John Magee, intitulado “The technical analysis of stock trends” que
popularizou os conceitos de marés, ondas e marolas, tão conhecidos na análise técnica (Stevens,
2002).
A teoria de Dow é regida por 6 princípios:
a. Tendências são divididas em 3 tipos: a tendência primária é a principal, dura um
ano ou mais e costuma representar 20% de alta ou baixa dos preços, sendo
conhecida também como maré. A tendência secundária consiste em uma correção,
um movimento contrário ao sentido da tendência principal, pode durar algumas
semanas até alguns meses, e segundo Dow, corrige entre 33% e 66% do
movimento da primária, podendo ser denominada onda. Por sua vez a tendência
terciária consiste na parada temporária da tendência secundária pode durar algumas
horas até alguns dias, sendo conhecida como marolas. As tendências secundárias
e terciárias são fundamentais para os praticantes de swing trades, enquanto as
terciárias são foco dos day traders (Infomoney, 2011; Stevens, 2002). A Figura 5
ilustra esse comportamento de tendências;
Figura 5: Tendências atuantes no mercado de ações segundo Dow.
Fonte: Wawrzeniak (2014).
b. A tendência primária é composta por três fases: essas 3 fases ocorrem tanto em
períodos de alta de mercado (conhecido como bull markets) quanto em períodos
41
de queda (conhecido como bear markets). Referente ao período de alta, as 3 fases
são acumulação, início de tendência e estouro de tendência. Referente ao período
de baixa, as 3 fases são realização, pânico e desaceleração (Infomoney, 2011);
c. Os preços descontam tudo: Down afirmava que o preço atual da ação refletia todo
conhecimento disponível a respeito da empresa, considerando seu prospecto
presente e futuro e até mesmo as informações disponíveis apenas para os insiders.
Esse princípio é mais válido ainda nos dias atuais, pois a tecnologia permite que as
informações sejam divulgadas em tempo cada vez menor (Stevens, 2002);
d. Os índices e as médias devem se confirmar: partindo da definição de que um índice
representa a média de um setor da economia, e trazendo esse conceito para a bolsa
de valores brasileira, caso o Ibovespa (“índice que reflete o desempenho médio das
cotações dos ativos de maior negociabilidade e representatividade no mercado de
ações brasileiro” (BM&FBovespa, 2016a)) esteja em um movimento de alta e o
ICON (“indicador de desempenho médio das cotações dos ativos de maior
negociabilidade e representatividade dos setores de consumo cíclico, consumo não
cíclico e saúde” (BM&FBovespa, 2016b)) esteja em tendência de baixa, não é
possível confirmar se uma empresa do setor de consumos realmente está em uma
tendência de alta ou baixa. Ou seja, índices complementares devem caminhar
juntos para confirmar uma tendência de alta ou baixa assim como índices
divergentes podem ser um sinal de mudança da tendência vigente. Isso ocorre
porque apesar de terem suas diferenças, as empresas pertencentes a esses índices
dependem de fatores semelhantes para ter um crescimento sustentável (Infomoney,
2011; Wawrzeniak, 2014);
e. As tendências devem ser acompanhadas pelo volume: segundo Dow uma tendência
deve ser confirmada pelo aumento consecutivo no volume de negociação do ativo,
assim sendo, o mercado está atestando o comprometimento com o movimento. Por
exemplo, em um mercado de alta o volume deve crescer à medida que o preço
também sobe, analogamente, em um mercado de baixa, o volume deve crescer à
medida que o preço cai (Infomoney, 2011);
f. A tendência será mantida até que os sinais de reversão sejam confirmados: existem
indicadores e padrões gráficos que permitem confirmar se uma tendência está em
curso ou não.
Serafini (2010) explica que a escola de análise técnica pode ser subdividida em dois
seguimentos, sendo a análise gráfica e os sistemas técnicos de negociação (também denominado
42
“indicadores técnicos” ou simplesmente “indicadores” (Stevens, 2002)). Investidores que se
baseiam na análise gráfica procuram observar padrões ou figuras nos gráficos de determinado
ativo e tomam decisão de compra e venda admitindo que esses padrões tendem a se repetir,
sendo que a essa análise de preços e volume, dá-se o nome de price action. Por sua vez, os
sistemas técnicos de negociação são mais complexos, pois além dos padrões citados acima,
combinam outras informações, tais como volumes de negócio, preços máximos e mínimos
locais e globais, preços de abertura fechamento e médias, dentre outros, para gerar indicadores
que podem ser de tendência (também conhecidos como rastreadores), osciladores, de volume
ou de volatilidade.
De acordo com Saffi (2003, como citado em Dias, 2016), existem cerca de 14.630
estratégias possíveis de serem formadas com a utilização de análise técnica. Dias (2016) sugere
um agrupamento de tais estratégias em função de suas semelhanças, conforme apresentado no
Quadro 3.
Estratégia técnica Publicações seminais Principais contribuições recentes
Suporte e resistência,
canais: simples,
envelopes de médias
móveis. Bandas de
Bollinger. Linhas de
tendências
Suporte/resistência: desenvolvida direta
ou indiretamente por Charles Dow, por
volta de 1900 (Achelis, 2001).
Bandas de Bollinger: John Bollinger foi
seu maior difusor. Desenvolvida direta
ou indiretamente por Anthony Warren
(1985) – Technical Analysis of Stock and
Commodities e Perry Kaufman (1987) –
The New Commodity Trading Systems
and Methods
Rompimento de suporte e resistência
apresentam melhor performance que
médias móveis, porém se contabilizarem
os custos, o lucro é eliminado. Regras
simples como rompimento de suporte e
resistência e médias móveis não
superam uma estratégia tradicional de
buy-and-hold na bolsa de valores
chinesa (Zhu et al., 2015)
Padrões gráficos
(pattern recognition)
Nilson (1991) – Japanese Candlestick
Charting Technique
Candlesticks ajudam a identificar janelas
de tempo cujo impacto dos custos do
mercado é mais baixo (Detollenaere &
Mazza 2014). A abordagem candlestick
apresenta desempenho melhor com
firmas menores e com ações de baixo
custo (Lu, 2014). A capacidade preditiva
do candlestick (padrões) no mercado
brasileiro foi consideravelmente
diferente do que foi observado nos
Estados Unidos, ou seja, o
reconhecimento de padrões não pode ser
generalizado para todos os períodos e
mercado (Prado et al., 2013)
Médias móveis,
Moving Average
Convergence
Divergence - MACD
Appel (2005) – Technical Analysis,
desenvolveu o método Moving Average
Convergence Divergence - MACD
Médias móveis de curto prazo superam
as de longo prazo (Zhu et al., 2015)
Estocástico
Lane (1984) – Lane’s Stochastics. Lane
é reconhecido como o criador do
Oscilador Estocástico, embora existam
algumas controvérsias
Mais indicado para operar com mercado
sem tendência
Quadro 3: Principais estratégias técnicas.
Fonte: Dias (2016).
43
2.3 LÓGICA FUZZY
Lotfi A. Zadeh (1994) explica que o termo “lógica fuzzy” tem 2 significados distintos:
por um lado consiste num sistema lógico que pode ser visto como uma extensão e generalização
da lógica clássica. Por outro lado, em um sentido mais amplo, a lógica fuzzy pode ser vista
como sinônimo da teoria de conjuntos fuzzy. Comparativamente, a segunda abordagem é mais
abrangente e assume a primeira definição como sendo uma de suas vertentes, além disso,
geralmente a segunda abordagem é a mais utilizada (Klir & Yuan, 1995). Nesse trabalho quando
utilizado o termo “lógica fuzzy” o autor se refere a segunda definição apresentada.
Zadeh através de sua publicação seminal, artigo intitulado “Fuzzy Sets”, feita ainda no
ano de 1965 é tido como o precursor da lógica fuzzy (Wang, 1997). Em português, alguns
autores adotam os termos “lógica nebulosa” ou “lógica difusa”, porém esses termos não são
muito difundidos na literatura nacional. Zadeh (1965) define que:
O conjunto fuzzy é uma classe de objetos com uma escala contínua de
pertinência. Tal conjunto é caracterizado por uma função de pertinência
(característica) na qual para cada elemento é atribuído um grau de
pertinência que pode variar entre 0 e 1 (Zadeh, 1965, p. 338).
Siler e Buckley (2005) explicam que lógica fuzzy, assim como a probabilidade, o
teorema de Bayes e a teoria de Dempster-Shafer são maneiras de expressar e combinar
incertezas. Enquanto na lógica clássica uma proposição pode ser apenas verdadeira ou falsa,
representados geralmente pelos valores 1 ou 0, respectivamente, na lógica fuzzy essa
proposição pode assumir valores que variam entre esses extremos. Ou seja, na lógica fuzzy uma
proposição pode ser considerada parcialmente verdadeira.
É importante salientar que a lógica fuzzy pode ser vista como uma generalização da lógica
tradicional, tipicamente denominada booleana. Ou seja, ao se trabalhar com os valores extremos
da lógica fuzzy, sendo eles o número 0 que representa verdade absoluta e o número 1 que
representa falso absoluto, a lógica fuzzy se comporta tal qual a lógica tradicional (Matlab,
2017b).
Por meio da Figura 6 é possível discutir melhor alguns conceitos essenciais à lógica fuzzy.
44
Figura 6: Funções de pertinência para a variável linguística “velocidade”.
Fonte: Siler e Buckley (2005).
Na Figura 6 o eixo das abcissas representa a velocidade, enquanto o eixo das ordenadas
representa o grau de pertinência, que sempre varia entre 0 e 1. Os termos “slow”, “medium” e
“fast” são os valores linguísticos, que pertencem à variável linguística “velocidade”. Por sua
vez, cada valor linguístico está sendo modelado por uma função de pertinência, que nesse caso
é a função trapezoidal. Alguns autores utilizam os termos “rótulo linguístico” ou “termo
linguístico” para também designar “valor linguístico” (Siler e Buckley, 2005). Dessa forma,
pode-se afirmar que os termos linguísticos são adjetivos empregados para caracterizar
subjetivamente o estado da variável linguística (Lima, 2012). Ou ainda, a variável linguística
consiste em uma variável cujo valor pode ser descrito por linguagem natural – os termos
linguísticos, de tal forma que os termos linguísticos são conjuntos fuzzy (Wang, 1997).
É importante discutir bem os conceitos que permeiam a expressão “valor linguístico”,
pois ele representa um elemento fundamental na reprodução do conhecimento humano. Por
exemplo, quando é utilizado sensores para medir a velocidade de um veículo, a resposta será
um número discreto, ou crisp como é denominado na lógica fuzzy. Porém, se uma pessoa é
questionada a respeito da velocidade de um veículo, a resposta será palavras como “devagar”
ou “rápido”. Dessa forma, a lógica fuzzy permite que a formulação de descrições vagas por
meio de linguagem natural possa ser mapeada em termos matemáticos e isso representa o
primeiro passo para incorporar o conhecimento humano em sistemas de maneira eficiente e
sistemática (Wang, 1997).
A fim de introduzir os sistemas fuzzy, faz-se necessário apresentar brevemente o
conceito de sistemas. Nesse sentido Oliveira (2002) define que “sistema é um conjunto de partes
interagentes e interdependentes que, conjuntamente, formam um todo unitário com
45
determinado objetivo e efetuam determinada função”. O autor explica ainda que os
componentes de um sistema são: os objetivos, as entradas, o processo de transformação, as
saídas, os controles e por fim a retroalimentação.
Por sua vez, os sistemas fuzzy permitem transformar o conhecimento humano em
modelos matemáticos, de maneira que esses possam ser processados digitalmente. Tais sistemas
são baseados em regras do tipo “Se..., então...” que podem ser obtidas do conhecimento de
especialistas ou baseadas em domínios de conhecimento. 3 tipos de sistemas fuzzy se destacam
na literatura: sistemas fuzzy puro, sistemas fuzzy Takagi-Sugeno-Kang e sistemas fuzzy com
fuzzificador e defuzzificador. Dentre os três sistemas o terceiro se sobressai, pois supera
desvantagens que os demais apresentam (Wang, 1997). A partir desse momento, quando
utilizado o termo “lógica fuzzy” ou “sistema fuzzy” trata-se do sistema fuzzy com fuzzificador
e defuzzificador, o qual é representado na Figura 7.
Figura 7: modelo genérico de um sistema fuzzy.
Fonte: adaptado de Wang (2012).
Conforme apresentado na Figura 7, um sistema fuzzy basicamente é formado por 4
componentes ou módulos: um fuzzificador, um mecanismo de inferência, uma base de regras e
um defuzzificador (Lima, 2012).
a. Fuzzificação: na maioria das aplicações a entrada e a saída do sistema fuzzy são
números discretos, de forma que é necessário construir interfaces entre o mecanismo
de inferência e o ambiente. Dessa forma, a fuzzificação é responsável por mapear
valores discretos em valores fuzzy (Wang, 1997). A fuzzificação é realizada por meio
de funções de pertinência, que podem ser ad hoc, ou padronizadas, conforme
exemplos na Figura 8. Na Figura 8, da esquerda para a direita e de cima para baixo, é
46
apresentado 11 funções de pertinências que já foram implementadas na Toolbox de
lógica fuzzy do software Matlab®: trimf – triangular; trapmf – trapezoidal; gaussmf
– curva gaussiana simples; gauss2mf – curva gaussiana composta de 2 gaussianas;
gbellmf – sino; sigmf – sigmoidal; dsigmf – diferença entre 2 curvas sigmoidais;
psigmf – produto entre 2 curvas sigmoidais (Matlab, 2017b);
Figura 8: Exemplo de funções de pertinências.
Fonte: adaptado de Matlab (2017b).
b. Mecanismo de inferência: é responsável por aplicar os princípios matemáticos da
lógica fuzzy, de forma a utilizar as regras fuzzy obtidas da base de regras para mapear
um conjunto fuzzy U em um conjunto fuzzy V (Wang, 1997);
c. Base de regras: consiste num conjunto de regras fuzzy do tipo “Se-Então” que
relaciona as entradas dos sistemas à sua respectiva saída. Ou seja, o conhecimento
humano necessariamente precisa ser representado na forma de regras fuzzy do tipo
“Se-Então” (Wang, 1997). Dessa forma, Almeida (2015) explica que normalmente
47
nessa etapa é utilizado o conhecimento de especialistas para auxiliar na definição das
regras. A diferença entre uma regra fuzzy e uma regra clássica é que na primeira uma
condição pode ser parcialmente verdadeira, enquanto na segunda uma condição deve
ser completamente satisfeita, seja ela verdadeira ou falsa (Lima, 2012). Wang (1997)
fornece um exemplo de regra fuzzy, do tipo múltiplas entrada e única saída, o qual é
apresentado na Eq. 1;
Equação 1: Regra fuzzy genérica do tipo "se..., então...".
Onde,
Ai e B são conjuntos fuzzy.
xi é a entrada do sistema e representa uma variável linguística.
y é a saída do sistema e representa outra variável linguística.
d. Defuzzificação: consiste na operação inversa à fuzzificação. Ou seja, é responsável
por transformar um número fuzzy em um número discreto. Dentre os tipos de
defuzzificação, destacam-se 3: centro de gravidade, média dos centros e máxima (esse
último pode ser subdividido em 3 tipos, sendo eles, o menor da máxima, o maior da
máxima e a média da máxima). Comparativamente o segundo é mais utilizado que o
primeiro, pois seu cálculo é mais simples. Por sua vez, o terceiro defuzzificador
também é simples de ser calculado, porém apresenta maior descontinuidade, ou seja,
uma pequena mudança no valor fuzzy pode provocar uma grande mudança no valor
discreto (Wang, 1997).
2.3.1 Lógica fuzzy aplicada no mercado de ações
Lincy e John (2016) desenvolveram um sistema cujo diferencial está no fato de
utilizarem 3 indicadores técnicos apenas e comparar os resultados obtidos com a consideração
de um 4º indicador proveniente de análise fundamentalista. Dada as 3 ou 4 variáveis de entrada,
o sistema projeta uma recomendação de “compra”, outra de “venda”, ou uma terceira de
“mantém”. O sistema é testado através de simulações diárias, feitas com base em ações de 25
empresas da bolsa de NASDAQ (do inglês National Association of Securities Dealers
Rfuzzy: Se x1 é A1 e/ou ... e/ou xn é An, Então y é B
48
Automated Quotations), limitando as negociações em no máximo 10 ações por empresa. Os
resultados também são simulados em função do risco do investidor que é considerado uma das
variáveis de entrada do sistema. Os resultados são contabilizados diariamente, em termos de
lucros. Para fins de validação e comparação, o sistema é aplicado com base em dados históricos
de 4 anos, de 2011 até 2015. O sistema desenvolvido apresentou melhores resultados que
trabalhos que utilizaram apenas um indicador. Entre os dois sistemas propostos, o melhor
resultado foi obtido com a consideração do indicador fundamentalista.
Chourmouziadis e Chatzoglou (2016) desenvolveram e testaram um sistema durante
dois períodos distintos, de queda e de alta no mercado. O sistema foi aplicado no índice da bolsa
de valores de Atenas, entre o período de 15/11/1996 e 05/06/2012 e é destinado para aqueles
que investem com foco no curto prazo. O sistema desenvolvido pode ser melhor utilizado por
investidores conservadores, pois apresentou menores perdas durante a queda do mercado, mas
também menores ganhos durante o período de mercado em alta. Os autores afirmam que o
diferencial desse trabalho está no fato de utilizarem 4 indicadores técnicos pouco difundidos na
literatura ou que foram desenvolvidos e testados para atender as particularidades dessa pesquisa
apenas, dessa forma otimizando os resultados. No geral, o sistema apresentou resultados
positivos, mas devido ao alto número de transações, ao se considerar esses custos, o
desempenho do sistema caiu bastante ficando pouco acima da estratégia Buy and hold.
Yunusoglu e Selim (2013) propuseram um sistema que permite construir portfólios
adequados ao perfil de risco do investidor de médio prazo (considera-se aqui 6 meses). Como
diferencial, os autores explicam que não encontraram outro sistema especialista que utiliza
critérios provenientes de análise técnica e fundamentalista para avaliação de ações combinando
esses critérios por meio de estágios de construção de portfólio, como é feito nesse estudo. Além
disso, visando comparar ações de diferentes setores, os autores atuam em duas frentes. Primeiro
eles ponderam os dados fundamentalistas das empresas com relação à média de outras empresas
do mesmo setor. Ou seja, é utilizado uma “razão fundamental relativa”, que é igual à “razão
fundamental” dividido pela média obtida pela indústria, sendo a “razão fundamental” algum
índice fundamentalista. Além disso, é calculado a taxa de mudança de cada um desses índices.
Ou seja, subtrai da “razão fundamental” a “razão fundamental obtida no ano anterior” e essa
diferença é dividida novamente pela “razão fundamental obtida no ano anterior”. O sistema
apresentou um desempenho superior do que o benchmarking utilizado (Istanbul Stock
Exchange National-30 Index).
Por sua vez Dymova, Sevastianov e Kaczmarek (2012) desenvolveram um sistema que
utiliza informações de nível 1 (indicadores provenientes de análises técnicas, considerando
49
valores passados e volume de transações) e nível 2, onde os investidores veem todo espectro de
ordens de compras e vendas de ações, incluindo as ordens não executadas. Segundo os autores,
as análises feitas com os dados de nível 2 mostram informações precisas de uma ação em
particular. Dessa forma, os autores propõem novos indicadores técnicos, baseados em
informações de nível 1 e 2 e usam esses indicadores como input do sistema. O sistema
desenvolvido foi testado em ações de três empresas, pertencentes a diferentes setores, que estão
listadas na bolsa de valores de Warsaw. O lucro obtido com essa abordagem foi
consistentemente maior que a estratégia Buy and Hold, sendo a análise feita em um período de
61 dias e para as 3 empresas.
Mehdi e Montazer (2010) obtêm da literatura 17 variáveis fundamentalistas
(quantitativas e qualitativas) e posteriormente aplicam a metodologia Delphi para, com a ajuda
de 42 especialistas, elencar 7 variáveis tidas como mais importantes, e que são utilizadas como
input do sistema desenvolvido. Essas 7 variáveis recebem três atribuições (baixo, médio e alto)
cada uma, permitindo que o sistema tenha até 932 regras (dados dos autores). Novamente foi
utilizado o método Delphi para elencar as principais regras. No primeiro round foi solicitado
que 80 especialistas atribuíssem notas para essas regras em potencial. Na terceira etapa do
método foi obtido um consenso onde adotou-se 119 regras para o sistema. Os autores testaram
o sistema e chegaram em algumas carteiras sugeridas que variam de acordo com o perfil de
risco do investidor. Ao final, fizeram uma pesquisa com usuários em potencial do sistema e
obtiveram feedback positivos e utilizaram as críticas para melhorar o sistema.
Castro e Pinto (2009) fizeram um estudo onde aplicaram lógica fuzzy para auxiliar na
tomada de decisão de investimentos em ações. Para tanto, utilizaram os índices P/L e P/VP,
considerando um período de 1 ano, e aplicaram o modelo em ações pertencentes ao índice S&P
500. Após um primeiro tratamento estatístico dos dados, onde foram excluídas ações que não
apresentavam dados em todos os anos e foram feitas transformações logarítmicas dos índices
P/L e P/VP, os autores procederam em 3 etapas: inicialmente fizeram a fuzzificação das
variáveis, utilizando-se ainda da estatística descritiva observada anteriormente. Posteriormente
criaram as regras com base em estudos anteriores. Por fim, fizeram a defuzzificação das
variáveis. No geral, o modelo desenvolvido apresentou resultados consistentemente superiores
ao desempenho do índice S&P 500, bem como outros benchmarkings utilizados.
O sistema desenvolvido por Zargham e Mogharreban (2005) foi nomeado PORSEL,
acrônimo que traduzindo para o Português significa Sistema Seletor de Portfólio. Tem uma
metodologia robusta que utiliza análise técnica em uma primeira etapa (chamada Centro de
Informação), na sequência utiliza análise fundamentalista (etapa nomeada Seletor Fuzzy de
50
Ações), na terceira etapa utiliza a abordagem de gestão de portfólio (essa etapa foi nomeada
como Construtor de Portfólio). No geral o sistema desenvolvido bateu o mercado em 10x e
utilizou 10 princípios de Graham para estabelecer as regras. Outro diferencial é uma interface
que possibilita que o usuário inclua ou delete regras durante a execução do programa. Além
disso, foi utilizada teoria de Dempster para se determinar os pesos de cada uma das 50 regras.
Dourra e Siy (2002) afirmam que a parte mais difícil na análise técnica é decidir qual
indicador utilizar, além disso, cada indicador não apresenta uma resposta definitiva como
sim/não. Dessa forma, os autores utilizam 3 indicadores técnicos visando melhor assertividade
e compilam esses indicadores por meio de lógica fuzzy. Os autores também trabalham com um
valor de trigger, que varia de acordo com o perfil de risco do investidor e determina os valores
mínimos e máximos para a decisão de compra e venda, respectivamente. O sistema foi avaliado
em função de ações de 4 empresas, utilizando-se 3 estratégias para cada ação para fins de
comparação. Ao final do trabalho os autores afirmam que o sistema desenvolvido pode ser
adaptado para diferentes perfis de investidores e que os resultados obtidos foram excelentes,
pois superaram o índice S&P 500 utilizado como benchmarking.
51
3 MÉTODO E TÉCNICAS DE PESQUISA DA PRODUÇÃO TÉCNICA
3.1 DELINEAMENTO DA PESQUISA
O presente estudo tem a finalidade de ser uma pesquisa aplicada na medida em que
busca aplicar, utilizar e avaliar as consequências práticas dos conhecimentos. Referente aos
objetivos da pesquisa, ela pode ser caracterizada como exploratória, pois visa desenvolver e
esclarecer ideias, possibilitando a formulação de problemas mais precisos ou hipóteses que
possam ser melhor exploradas em estudos futuros. Com relação ao envolvimento do
pesquisador na pesquisa é adotado o modelo clássico de pesquisa, no qual busca-se o máximo
distanciamento entre o pesquisador e o objeto pesquisado, de maneira que através da observação
direta dos fatos seja possível conduzir às evidencias, sem o apoio de elementos subjetivos (Gil,
2008).
Além disso, quanto à abordagem, a pesquisa é qualitativa e quantitativa. É qualitativa,
pois, de acordo com Godoy (1995), esse tipo de abordagem parte de questões amplas que vão
se definindo à medida que a pesquisa avança – fato esse observado principalmente na aplicação
dos níveis 3, 4 e 5 do modelo de simulação de cenários. Além disso, é comum que nesse tipo
de abordagem os pesquisadores utilizem o enfoque indutivo na análise dos seus dados, sendo
que esse processo é adotado na definição das variáveis linguísticas e na determinação das regras
que associam as variáveis de entrada do sistema às variáveis de saída. Por sua vez, a pesquisa
tem uma abordagem quantitativa, pois lida com variáveis numéricas (Gerhardt & Silveira,
2009), sendo que a estatística descritiva é fundamental na etapa de modelagem dos valores
linguísticos.
O universo da pesquisa é composto das ações pertencentes ao subsetor de construção
civil e pertencentes ao índice Small Cap. Quanto a perspectiva temporal, a pesquisa é
longitudinal (Malhotra, 2011), sendo que os dados das empresas foram analisados com base no
período entre 18/11/09 e 27/08/17, ou seja, uma janela de 7 anos e 9 meses. A data inicial de
18/11/09 foi adotada, pois a partir dela todas empresas ora pesquisadas apresentam cotações na
bolsa de valores. Em relação à data final, foi definida em função do momento de coleta de
dados. Essa janela temporal é fixa e foi utilizada como base durante a análise fundamentalista.
Porém, durante a aplicação da análise técnica considerou-se o período entre 28/08/17 e
24/11/17.
52
Malhotra (2011) explica que dados primários são aqueles obtidos para solucionar um
problema específico, sendo que sua obtenção pode ser cara e demorada. Por sua vez, os dados
secundários representam quaisquer dados que já foram coletados previamente, sendo que sua
obtenção geralmente é mais barata e rápida. Dessa forma os dados utilizados nessa pesquisa são
classificados como secundários.
Ao invés de investir em ações de diversos segmentos, Warren Buffett aconselha que o
investidor foque nas empresas que estejam dentro de seu círculo de competência, ou seja,
empresas nas quais o investidor tenha mais familiaridade (Schroeder, 2012). Dessa forma, com
relação ao escopo da pesquisa, foi considerado apenas as ações que fazem parte do setor
econômico de “Consumo Cíclico”, mais especificamente do subsetor de “Construção Civil” e
que façam parte do Índice Small Cap – SMLL. No total 10 empresas satisfazem essas
condições, sendo elas apresentadas no Quadro 4.
Código Empresa Partic. Índice
SMLL (%)
Part. Acum. Índice
SMLL (%)
CYRE3 CYRELA REALT 2,249
7,659
DIRR3 DIRECIONAL 0,269
EVEN3 EVEN 0,699
EZTC3 EZTEC 0,866
GFSA3 GAFISA 0,216
HBOR3 HELBOR 0,208
JHSF3 JHSF PART 0,162
MRVE3 MRV 2,652
RSID3 ROSSI RESID 0,061
TCSA3 TECNISA 0,277
Quadro 4: Empresas do setor “Consumo Cíclico/Construção Civil” que fazem parte do índice SMLL
em 04/09/17.
Fonte: BM&FBovespa (2017c).
Para a escolha dos ativos pesquisados, foi adotado uma técnica de amostragem não
probabilística, denominada amostragem por escolha racional. Nessa metodologia de pesquisa
os elementos da população são selecionados com base na análise e experiência do pesquisador
(Malhotra, 2011). Para se chegar nas empresas apresentadas no Quadro 4 foi percorrido as
seguintes etapas (resumidas no Quadro 5):
a) Levantamento de todas ações de empresas brasileiras, ativas e negociadas na Bovespa
em 27/08/2017, perfazendo um total de 373 empresas, representadas por 577 papéis
negociáveis;
b) Seleção das ações que compõem o índice SMLL, perfazendo um total de 69 empresas;
c) Categorização das 69 empresas de acordo com seus respectivos subsetores Bovespa;
53
d) Ordenação dos subsetores em ordem crescente com relação ao indicador Preço
dividido pelo Valor Patrimonial – P/VP;
e) Seleção do subsetor que apresenta o menor indicador P/VP e que ao mesmo tempo
tenha uma quantidade de empresas que permita sua análise.
Subsetores com empresas que participam do índice
SMLL
Média aritmética
do índice P/VP
Qtd. de empresas que
participam do índice SMLL
Energia elétrica -8,92 7
Agropecuária 0,33 1
Hotéis e restaurantes 0,40 1
Construção e engenharia 0,41 1
Materiais diversos 0,50 1
Computadores e equipamentos 0,54 1
Construção civil 0,56 10
Mineração 0,66 1
Siderurgia e metalurgia 0,85 3
Material de transporte 0,86 3
Automóveis e motocicletas 0,92 2
Intermediários financeiros 0,95 2
Petróleo, gás e biocombustíveis 0,98 1
Tecidos, vestuário e calçados 1,31 3
Exploração de imóveis 1,60 3
Madeira e papel 1,61 1
Água e saneamento 1,66 2
Alimentos processados 1,91 3
Transporte 2,36 4
Comércio 3,08 3
Gás 3,64 1
Serviços 3,88 2
Viagens e lazer 3,94 1
Previdência e seguros 4,56 2
Programas e serviços 4,85 2
Serviços médico-hospitalares, análises e diagnósticos 5,24 3
Diversos 6,04 5
Quadro 5: Quantidade de empresas que fazem parte do índice SMLL por subsetores.
Fonte: Elaborado pelo autor, com base nos dados obtidos da Economática.
De acordo com o Quadro 5, o subsetor que apresenta o menor índice “Preço / Valor
Patrimonial por ação” – P/VP é o de energia elétrica. Porém, uma análise mais aprofundada
mostra que tal valor é decorrente de um outlier: a empresa AES Elpa no momento dessa análise
está apresentando um patrimônio líquido negativo de R$ 853.000,00 que por sua vez impacta
negativamente no indicador P/VP do subsetor. Caso essa empresa fosse desconsiderada, a
média do subsetor ficaria em 1,62, sendo esse um valor alto frente a outros subsetores. Dessa
54
forma, desconsiderando-se esse subsetor e os subsetores que apresentam apenas 1 empresa, nos
quais uma análise mais aprofundada não se justifica, o subsetor que contempla o maior número
de empresas, ao mesmo tempo que apresenta um múltiplo P/VP baixo frente aos demais é a
construção civil.
3.2 PROCEDIMENTOS DE COLETA DOS DADOS
Os procedimentos adotados para a coleta de dados do presente trabalho podem ser
melhor compreendidos se analisados em partes, referentes a cada um dos 3 objetivos
específicos:
a. Aplicar lógica fuzzy para compilar os indicadores provenientes da análise
fundamentalista e definir a carteira de investimento: Nessa etapa foi utilizada a
pesquisa documental (Gil, 2008), na qual foram analisados os dados históricos
das empresas pesquisadas, conforme listadas no Quadro 4. Os dados necessários
foram coletados da base de dados Economática®. A exemplo do método adotado
por Castro e Pinto (2009), a utilização de estatística descritiva é de grande valia
nesse momento, pois com base em dados como valor mínimo e máximo, média,
mediana e desvio padrão, calculados para cada um dos 5 indicadores elencados
no estudo de Rojo (2014) é possível proceder com a etapa de fuzzificação das
variáveis. Ainda nessa etapa, a pesquisa bibliográfica foi utilizada com o intuito
de se definir as regras da lógica fuzzy, responsáveis por associar os dados de
entrada (input do sistema) com os dados de saída (output do sistema);
b. Aplicar análise técnica para definir o melhor momento de compra do ativo:
visando definir a estratégia utilizada nessa etapa do trabalho, será utilizado a
pesquisa bibliográfica sendo que os dados serão coletados diretamente de uma
plataforma de análise técnica disponível em homebroker de algumas corretoras;
c. Aplicar o modelo de simulação de cenários para os ativos da carteira: a última
etapa da pesquisa consiste em aplicar o modelo de simulação de cenários
proposto por Rojo (2005). Novamente foi utilizada a pesquisa bibliográfica para
dar suporte aos cenários simulados.
55
3.3 PROCEDIMENTOS E ANÁLISE DE DADOS
No primeiro objetivo específico descrito anteriormente foi utilizado a estatística
descritiva para analisar a distribuição dos dados históricos das empresas e auxiliar na
fuzzificação dos 5 indicadores levantados por Rojo (2014).
Por exemplo, Castro e Pinto (2009) estudaram as variáveis P/L e P/VP de 373 ações
pertencentes ao índice S&P 500 e, para os dados de 2001, chegaram na Tabela 2.
P/L P/VP
Mínimo 2,75 0,38
Mediana 19,43 3,33
Máximo 1065,63 243,47
Média 29,67 5,88
Desvio padrão 58,93 13,99
Tabela 2: Estatística descritiva das variáveis P/L e P/VP.
Fonte: Adaptado de Castro e Pinto (2009).
Castro e Pinto (2009) observam que como existe um desvio padrão muito grande para
ambas as variáveis, é necessário transformar os dados para uma base logarítmica, que por sua
vez, produziu os resultados apresentados na Tabela 3. Os autores então procederam com as
etapas de fuzzificação baseados nos novos índices calculados.
Ln (P/L) Ln (P/VP)
Mínimo 1,01 -0,96
Mediana 2,97 1,20
Máximo 6,97 5,50
Média 3,08 1,30
Desvio padrão 0,66 0,82
Tabela 3: Estatística descritiva das variáveis Ln (P/L) e Ln (P/VP).
Fonte: Adaptado de Castro e Pinto (2009).
Ainda visando o cumprimento do primeiro objetivo específico foi utilizado o software
Matlab, versão 2012a, pois ele tem uma toolbox que permite trabalhar com lógica fuzzy de
maneira mais simples, sem a necessidade de escrever linhas de código. Além disso, conforme
pesquisa feita e descrita no capítulo 2.3.1, foi observado que o Matlab tem sido utilizado pela
maioria dos pesquisadores que aplicam os conceitos da lógica fuzzy.
Por sua vez, para o cumprimento do segundo objetivo específico, se faz mais adequado
um software que interaja em tempo real com a bolsa de valores. No homebroker das corretoras
geralmente são disponibilizadas ferramentas gratuitas e adequadas para auxiliar o investidor
que opera unicamente segundo os preceitos da análise técnica. Dessa forma, a presente pesquisa
valeu-se do uso do software Protrader® que na sua versão Web é disponibilizado gratuitamente
por corretoras como a Modalmais® e a Rico®.
56
Outros softwares que também foram utilizados na presente pesquisa foram o Bizagi
Modeler® para fazer o desenho do fluxo apresentado na Figura 25, o Microsoft Excel® para
auxiliar na formatação das tabelas e quadros, bem como fazer cálculos de estatística descritiva,
o Microsoft Power Point® para elaborar desenhos como o que fora exibido na Figura 7 e 20 e
por fim, o Paint® para auxiliar na edição e tratamento de algumas figuras.
O Quadro 6 apresenta um resumo que relaciona trabalhos prévios, objetivo geral e
específicos, procedimento para coleta de dados e softwares utilizados nas etapas da pesquisa.
Objetivo geral Etapas modelo
Rojo (2005)
Trabalhos
anteriores Objetivos específicos
Procedimento
para coleta de
dados
Software
utilizado
Aplicar um
modelo de
simulação de
cenários no
mercado de
ações, utilizando
lógica fuzzy em
indicadores
fundamentalistas
para definir o(s)
ativo(s) a
ser(em)
investido(s) e
análise técnica
para determinar
o melhor
momento de
investir.
Nível 1: Delphi
Realizada
no estudo
de Rojo
(2014)
N/A N/A N/A
Nível 2:
Inteligência
competitiva
Idealizada
no estudo
de Souza e
Rojo (2010)
"a": aplicar lógica fuzzy para
compilar os indicadores
provenientes da análise
fundamentalista e definir a
carteira de investimento
Pesquisa
documental e
bibliográfica
Base de dados:
Economática
Matlab
2012a e
Microsoft
Excel
"b": aplicar análise técnica
para definir o melhor
momento de compra do ativo
Pesquisa
bibliográfica
Protrader
Web
Nível 3:
Simulação de
cenários
N/A
"c": aplicar o modelo de
simulação de cenários para os
ativos da carteira
Pesquisa
bibliográfica
Bizagi
Modeler
Nível 4:
Formulação de
estratégias
N/A
Nível 5:
Elaboração dos
planos de ação
N/A
Quadro 6: Relação entre trabalhos prévios, objetivo geral e específicos, procedimento para coleta de
dados e softwares utilizados na pesquisa.
Fonte: Elaborado pelo autor.
3.4 LIMITAÇÕES DOS MÉTODOS E TÉCNICAS DE PESQUISA
A presente pesquisa é aplicada as empresas pertencentes ao índice Small Cap, de forma
que para analisar empresas que não pertençam a esse índice é necessário avaliar se os
indicadores levantados no estudo de Rojo (2014) continuam sendo válidos. Além disso, a
análise é limitada às ações que pertençam ao subsetor de “construção civil”, sendo que os
resultados alcançados não podem ser generalizados e aplicados para empresas atuantes em
outros segmentos. Quanto à metodologia de simulação de cenários, é importante enfatizar que
raramente um cenário acontece exatamente da maneira como foi simulado.
57
A presente pesquisa apresenta uma análise com perspectiva temporal longitudinal,
porém é delimitada em um período fixo. Convém destacar, no entanto, que os dados ora
explorados são dinâmicos e sofrem alterações diariamente, dessa forma, as conclusões aqui
alcançadas ao longo do capítulo 4.1 refletem uma análise estática referente a data de 27/08/2017
não representando uma recomendação de tomada de decisão por parte do pesquisador.
Lueders (2009) aponta ainda que analisar empresas considerando apenas indicadores,
sem fazer a leitura dos relatórios e balanços da empresa equivale a comprar um carro sem nunca
tê-lo visto, limitando-se apenas à leitura dos manuais do fabricante. Por mais que os indicadores
são sim importantes em quaisquer análises, deve-se tomar o cuidado de avaliar como os
resultados foram obtidos, pois um indicador positivo, pode ser proveniente de uma situação
adversa e insustentável. Dessa forma, para avaliar a fundo o motivo por detrás dos indicadores
é necessário avaliar os balanços e os relatórios da administração.
A presente pesquisa foi limitada de forma a auxiliar o investidor na tomada de decisão
de compra de um ativo. Para tanto, em um primeiro momento, com análise fundamentalista será
escolhido o melhor ativo a ser investido. Posteriormente, com análise técnica será avaliado o
melhor momento de compra desse ativo. Dessa forma, essa pesquisa não busca analisar a venda
de ativo, até porque a pesquisa de Rojo (2014) tem foco em resultados no longo prazo – mais
precisamente 20 anos. Além disso, com relação à compra do ativo, essa pesquisa busca avaliar
10 ações e definir dentre essas, qual(is) se apresenta(m) como melhor escolha, porém, no
mercado de ações pode haver outros ativos em melhores condições de compra do que o(s)
ativo(s) elencado(s) nessa pesquisa.
Concernente à etapa de simulação de cenários, há uma certa subjetividade e
particularidades que podem ser alteradas de um investidor para outro. Isso acontece, pois a
aplicação do modelo segue uma metodologia qualitativa, na qual abre-se espaço para diferentes
interpretações. Por exemplo, a avaliação de um cenário pessimista, neutro e otimista poderia
ser feito com base em uma variação dos fundamentos que seja diferente de 20%. Ou ainda, os
3 cenários poderiam ser simulados em função do preço do ativo, de maneira que os fundamentos
sejam avaliados nas estratégias para decidir se convém comprar, manter ou se desfazer dos
papéis. Outro ponto de subjetividade ocorre na etapa em que o investidor avalia se a empresa
poderá recuperar seus fundamentos no longo prazo. Para tentar minimizar essa interpretação, é
de grande valor a leitura de relatórios da administração da empresa para embasar a decisão do
investidor.
58
4 ANÁLISE E INTERPRETAÇÃO DOS RESULTADOS
O primeiro objetivo específico consiste em fazer a modelagem do sistema. Para tanto,
as duas primeiras etapas são (i) a definição das variáveis linguísticas e (ii) a definição e
modelagem dos valores linguísticos. Dessa forma, na sequência procede-se com essas duas
etapas desenvolvidas para cada um dos 5 indicadores elencados no estudo de Rojo (2014).
4.1 UTILIZAÇÃO DA LÓGICA FUZZY PARA COMPILAR OS INDICADORES
PROVENIENTES DA ANÁLISE FUNDAMENTALISTA E DEFINIR OS ATIVOS
ALVOS
4.1.1 Modelagem da variável 1: análise dos dividendos pagos
A variável “análise dos dividendos pagos” será avaliada em termos do indicador Dividend
Yield – DY que, de acordo com Bazin (2017) é o índice mais importante que o investidor deve
considerar na hora de avaliar as empresas. O autor reforça que os dividendos pagos pela
empresa devem ser sólidos, crescentes ao longo do tempo e compatível com o preço do ativo.
Além disso, defende que o índice deve ser de no mínimo 6% ao ano (consistentemente).
Portanto, o DY será a única variável linguística a ser modelada, no que se refere a análise dos
dividendos.
De acordo com Cerbasi (2013), o DY é obtido conforme apresentado na Equação 2.
Equação 2: Fórmula para cálculo da variável DY
Lueders (2009) salienta que há um consenso no mercado no qual as ações que pagam
bons dividendos são menos voláteis e arriscadas. Além disso, o investidor focado em
dividendos não sente tanto os efeitos de uma possível queda na cotação do ativo, pois essa
queda na verdade permitirá que seja comprado mais do mesmo ativo. Por outro lado, caso os
juros básico da economia suba, o investidor pode se sentir atraído pelo fluxo de caixa gerado
pela renda fixa. Por fim, o autor alerta ainda para empresas que divulgam altos dividendos
decorrentes de fatores extraordinários como vendas de participações em outras empresas e
DY = (Dividendos anuais + Juros anuais)POR_AÇÃO / Preço da ação
59
ganhos judiciais. O investidor deve estar atento também à empresas que distribuem mais do que
o lucro líquido anual, pois é uma estratégia claramente insustentável.
Na Tabela 4 é apresentado os DY’s anuais entre o período de 18/11/09 e 27/08/17,
considerando o pagamento de dividendos mais os Juros Sobre o Capital Próprio (JSCP), sendo
ambos valores ajustados para eventuais desdobramentos e agrupamentos. Além disso, para
avaliação do denominador da Equação 2, foi considerado o preço de fechamento médio nos
mesmos períodos. Por fim, é importante observar que dentre as Tabelas 4 e 17 foram
desconsiderados os efeitos da inflação e da variação cambial, além disso, sempre que aplicável
será analisado os dados de balanços consolidados e a demonstração de resultados considerando
o período de 12 meses.
CYRE3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
18/11/09 -
31/12/09 1,18 2,77 1,27 1,29 0,00 7,91 1,74 2,10 0,92 1,10
2010 1,61 3,36 3,03 2,73 1,59 7,07 2,66 3,68 2,15 1,46
2011 4,68 5,49 1,81 4,33 3,72 6,09 3,20 3,45 2,53 2,75
2012 0,00 5,06 4,02 3,73 3,17 2,89 4,69 3,04 1,98 4,79
2013 13,70 5,73 3,52 3,47 3,27 2,90 0,00 2,37 3,36 0,00
2014 3,82 9,63 4,40 4,99 7,04 1,59 9,24 4,76 3,49 0,00
2015 0,00 16,37 5,60 7,06 10,24 0,00 7,56 7,86 4,35 0,00
2016 3,01 3,89 3,32 4,19 5,35 0,00 7,20 6,65 2,88 0,00
01/01/17 -
27/08/17 0,00 0,00 4,73 0,00 0,00 0,00 0,00 5,85 0,77 0,00
Média 3,11 5,81 3,52 3,53 3,82 3,16 4,03 4,42 2,49 1,12
Tabela 4: DY anual entre 18/11/09 e 27/08/17 (valores em percentuais).
Fonte: Elaborado pelo autor, com base em dados da Economática.
De posse da Tabela 4, pode-se aplicar uma estatística descritiva para auxiliar na etapa de
fuzzificação da variável, sendo esses valores apresentados na Tabela 5.
DY
Mínimo 0
Mediana 3,18
Máximo 16,37
Média 3,50
Desvio padrão 0,03
Tabela 5: Estatística descritiva da variável DY, considerando todas empresas e todo período (valores
em percentuais).
Fonte: Dados da pesquisa (2017).
Diferentemente dos resultados obtidos por Castro e Pinto (2009), o desvio padrão obtido
na amostra é baixo, não sendo necessário calcular o logaritmo da variável. Além disso, a
exemplo do método adotado por Castro e Pinto (2009) a fuzzificação da variável será
60
implementada conforme apresentado na Figura 9. Dessa forma, na Figura 10 é apresentado a
variável DY já fuzzificada no software Matlab.
Figura 9: Uso da estatística descritiva para auxiliar na etapa de fuzzificação.
Fonte: Castro e Pinto (2009).
Figura 10: Variável DY fuzzificada.
Fonte: Dados da pesquisa (2017).
Outro indicador relevante quando se analisa os dividendos pagos é o payout. Esse índice
demonstra o percentual do lucro que a empresa está distribuindo entre os acionistas, ou seja,
um payout de 0,8 significa que 80% do lucro líquido da empresa está sendo distribuído entre
seus acionistas. Porém esse indicador não será utilizado nessa pesquisa, pois não existe um
valor ou uma faixa de valores considerado bom ou ruim. Na realidade o payout varia muito em
função dos diferentes estágios de maturidade que as empresas passam e também da estratégia
adotada com relação à política de expansão de mercado e consequente retenção de lucros
(Lueders, 2009).
4.1.2 Modelagem da variável 2: a empresa e a concorrência / setor / crescimento das vendas
A variável linguística a ser modelada será o crescimento anual das vendas, conforme
sugerido no estudo de Rojo (2014). No sistema Economática essa variável foi obtida por meio
da ferramenta avançada “Evaluation Discounted Cash Flow - DCF”. Tal ferramenta permite
61
que o pesquisador possa estimar o preço justo do ativo fazendo projeções futuras para a
empresa, com base em informações históricas, ou seja, através da avaliação por fluxo de caixa
descontado. Uma limitação encontrada, porém, é que tal ferramenta apresenta apenas o
crescimento dos últimos 5 anos, conforme exibido na Tabela 6.
CYRE3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
2012 -10,0 20,5 7,1 1,5 27,0 14,8 -6,7 0,4 -9,6 -19,8
2013 -13,1 20,4 7,4 34,5 -40,7 28,2 -29,5 -14,3 -25,8 27,6
2014 1,8 -1,1 -15,7 -21,5 -18,5 -10,8 -15,6 1,6 -28,7 -18,1
2015 -32,6 -22,7 -9,7 -22,7 -3,6 -36,0 -5,4 2,8 -31,5 -28,0
2016 -30,7 -18,6 -25,6 -18,6 -62,4 -35,1 -42,7 -16,1 -58,7 -74,8
01/01/17 -
30/06/17 -15,3 -53,1 -31,9 -35,5 -68,7 -46,4 -11,5 -0,3 -11,8 -15,3
Média -16,7 -9,1 -11,4 -10,4 -27,8 -14,2 -18,6 -4,3 -27,7 -21,4
Tabela 6: Crescimento anual de vendas entre 01/01/12 e 30/06/17 (valores em percentuais).
Fonte: Elaborado pelo autor, com base em dados da Economática.
De maneira análoga ao que foi avaliado na Tabela 5, a Tabela 7 apresenta dados
estatísticos referente à Tabela 6.
Crescimento de Vendas
Mínimo -74,8
Mediana -15,7
Máximo 34,5
Média -16,2
Desvio padrão 0,22
Tabela 7: Estatística descritiva da variável “crescimento anual de vendas”, considerando todas empresas
e todo período (valores em percentuais).
Fonte: Dados da pesquisa (2017).
Dessa forma, na Figura 11 é apresentado a fuzzificação da variável linguística
“crescimento anual das vendas”. Novamente 3 valores linguísticos serão adotados, sendo eles
“baixo”, “médio” e “alto”.
Figura 11: Variável “Crescimento Anual de Vendas” fuzzificada.
Fonte: Dados da pesquisa (2017).
62
4.1.3 Modelagem da variável 3: avaliação do endividamento
Buffett e Clark (2010) descrevem que para analisar o endividamento da empresa Warren
Buffett avalia o coeficiente de endividamento em relação ao patrimônio líquido, nesse trabalho
denominado apenas de grau de endividamento. Esse indicador demonstra se a empresa tem ou
não usado dívidas para financiar suas operações, sendo que empresas com vantagem
competitiva durável devem usar seu poder de geração de lucro para financiar as próprias
operações. O indicador é calculado conforme apresentado na Equação 3 e quanto mais baixo o
índice, melhor. Um índice de 0,68 sinaliza que para cada real de patrimônio líquido, a empresa
tem R$ 0,68 em dívidas.
Na tela de indicadores financeiros o sistema Economática apresenta o resultado trimestral
do indicador “dívida bruta / patrimônio líquido”, já dado em percentual. Conforme apresentado
na Equação 4, para calcular a dívida bruta é considerado a soma entre “Total de Empréstimos
e Financiamentos a Curto Prazo (Emp. e Financ. CP.)” e o “Total de Empréstimos e
Financiamentos a Longo Prazo (Emp. e Financ. LP.)”, sendo esses valores obtidos diretamente
do Balanço Patrimonial. Por sua vez, o Patrimônio Líquido (Patrim. Líq.) e a Participação dos
Acionistas Minoritários (Part. Acionistas Minor.) já são obtidos diretamente do Balanço
Patrimonial.
Equação 4: Fórmula para cálculo da variável “Grau de Endividamento”, utilizada pela Economática
A Tabela 8 apresenta o Grau de Endividamento trimestral referente ao período entre
18/11/09 e 27/08/17 para as empresas ora exploradas, extraídos diretamente do sistema
Economática, com base na Equação 4.
CYRE 3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
31-12-09 63,9 18,2 97,0 7,2 131,0 83,2 47,2 31,3 53,0 91,5
31-03-10 59,9 19,7 98,4 7,2 86,9 68,0 47,1 51,9 56,1 92,9
Grau de Endividamento = Passivo Total / Patrimônio Líquido
Equação 3: Fórmula para cálculo da variável “Grau de Endividamento”
Grau de Endividamento = Emp. e Financ. CP. + Emp. e Financ. LP.
Patrim. Líq. +Part. Acionistas Minor.
63
30-06-10 61,7 28,5 79,2 7,1 84,9 56,8 42,4 51,0 88,8 95,6
30-09-10 63,4 29,8 82,3 5,0 78,4 55,9 65,7 52,1 85,9 109,1
31-12-10 73,3 36,5 83,4 5,1 87,0 75,7 62,9 63,5 106,4 108,7
31-03-11 76,3 31,5 92,1 2,7 86,3 78,1 83,4 67,8 105,1 80,6
30-06-11 86,4 35,7 88,1 3,8 93,3 75,3 85,4 62,3 150,3 75,1
30-09-11 95,0 36,5 82,5 2,8 86,9 76,1 84,5 73,9 159,2 86,3
31-12-11 93,2 38,4 87,9 4,3 136,7 82,6 88,1 72,9 185,7 91,0
31-03-12 92,2 42,9 83,6 5,9 143,1 79,1 106,9 76,0 197,9 96,0
30-06-12 86,4 47,0 84,9 7,7 140,4 81,1 115,3 88,7 209,7 106,4
30-09-12 81,1 56,5 79,5 8,3 138,9 77,9 118,7 87,9 205,6 115,2
31-12-12 78,2 53,2 80,3 8,5 145,5 90,4 127,5 90,1 197,1 133,9
31-03-13 61,3 53,2 76,7 5,4 140,4 77,8 137,6 70,3 151,3 130,6
30-06-13 61,8 60,1 77,6 6,8 133,4 74,9 148,2 71,4 141,2 132,1
30-09-13 61,3 56,5 79,7 9,2 154,8 75,2 150,0 73,1 136,0 130,8
31-12-13 68,0 55,6 81,3 13,9 95,2 77,9 97,8 69,1 126,5 144,0
31-03-14 73,9 53,3 74,9 16,0 94,1 75,0 96,9 60,8 126,4 155,2
30-06-14 67,7 56,3 80,5 17,7 85,2 75,7 93,9 57,1 122,1 156,3
30-09-14 65,5 52,4 77,9 19,2 90,5 80,3 101,2 53,9 124,5 143,2
31-12-14 60,9 54,6 77,3 21,0 84,6 81,7 107,7 53,5 131,8 139,3
31-03-15 59,2 51,8 76,4 4,9 85,9 91,0 107,1 55,6 124,6 135,9
30-06-15 59,6 48,5 75,8 5,3 78,5 94,4 102,0 52,2 126,4 133,7
30-09-15 59,3 49,8 75,6 6,0 79,8 98,9 103,1 45,3 127,6 127,4
31-12-15 56,0 47,1 81,4 8,4 69,4 105,2 71,9 44,5 151,8 78,5
31-03-16 54,6 49,3 77,8 8,1 72,2 106,4 73,2 44,6 171,7 77,5
30-06-16 52,3 50,8 80,9 10,1 69,0 113,8 72,2 40,1 200,0 82,2
30-09-16 51,4 50,0 78,2 11,2 70,0 122,0 67,3 38,7 240,1 67,8
31-12-16 50,6 51,9 82,1 12,4 84,8 115,8 67,1 42,5 278,4 73,7
31-03-17 52,6 49,1 81,5 12,1 101,6 121,2 55,1 60,6 374,2 62,8
30-06-17 53,5 58,2 72,1 12,5 96,3 127,7 58,7 53,6 527,4 54,9
Média 67,1 45,9 81,5 8,9 100,8 86,9 89,9 59,9 167,2 106,7
Tabela 8: Grau de Endividamento trimestral entre 31/12/09 e 30/06/17 (valores em percentuais).
Fonte: Elaborado pelo autor, com base em dados da Economática.
Com os resultados apresentados na Tabela 8, pode-se avaliar os dados estatísticos,
conforme realizado anteriormente para auxiliar na etapa de fuzzificação. O resultado dessa
análise é apresentado na Tabela 9.
Grau de Endividamento
Mínimo 2,7
Mediana 77,5
Máximo 527,4
Média 81,5
Desvio padrão 52,28
Tabela 9: Estatística descritiva da variável “Grau de Endividamento”, considerando todas empresas e
todo período (valores em percentuais).
Fonte: Dados da pesquisa (2017).
64
Com o auxílio da Tabela 9 a etapa de fuzzificação é realizada e o resultado é apresentado
na Figura 12.
Figura 12: Variável “Grau de Endividamento” fuzzificada.
Fonte: Dados da pesquisa (2017).
4.1.4 Modelagem da variável 4: relação do preço da ação com o lucro e com o patrimônio
A quarta variável a ser modelada na verdade são duas variáveis independentes, sendo
elas a relação entre o preço da ação e o lucro por ação – P/L, apresentado na Equação 5 e a
relação entre o preço da ação e o valor patrimonial líquido por ação – P/VP, apresentado na
Equação 6 (Damodaran, 2006). Ambas variáveis são fundamentais em qualquer análise
fundamentalista e foram as únicas utilizadas no estudo de Castro e Pinto (2009) para auxiliar o
investidor na tomada de decisão. De maneira geral, ambos os índices avaliam como o mercado
está precificando a ação.
Equação 5: Fórmula para cálculo da variável P/L
Primeiramente, abordando apenas a variável P/L, é importante notar que sua unidade de
medida é expressa em número de períodos. Por exemplo, se o lucro considerado no
denominador da Equação 5 corresponde ao lucro anual, então o P/L é dado em anos. Dessa
forma, um índice P/L igual a 10 indica que em 10 anos o investidor terá de volta, através da
distribuição dos lucros da empresa, o valor investido na compra do papel. Para tanto, é admitido
as seguintes premissas: (i) todo lucro é repassado aos acionistas, ou seja, a empresa apresenta
P/L = Preço da Ação / Lucro Líquido por Ação
P/VP = Preço da Ação / Valor Patrimonial Líquido por Ação
Equação 6: Fórmula para cálculo da variável P/VP
65
um payout igual a 100%, (ii) os resultados dos próximos anos serão iguais aos do ano base e
(iii) a cotação do ativo não se altera com relação ao momento em que o indicador foi calculado
(Rocha, 2012).
Para cálculo da Equação 5, Damodaran (2006) ressalva que é mais usual considerar o
lucro líquido por ação no último ano fiscal, resultando no que ele denomina “P/L corrente”.
Porém, para estimar um valor mais atualizado, alguns investidores consideram o lucro líquido
dos últimos 4 trimestres, resultando no “P/L passado”. Por fim, há aqueles que consideram o
lucro líquido projetado para o próximo ano fiscal, resultando assim no que pode ser denominado
como “P/L futuro”. Além disso, o índice pode variar em função do número de ações a ser
considerado, ou seja, pode-se contabilizar apenas as ações em circulação ou o total de ações
que estarão em circulação caso os administradores exerçam suas opções; outra variação
importante no índice P/L decorre do cálculo do lucro por ação que pode ser calculado antes ou
depois de lançamentos extraordinários. Dessa forma, o autor adverte que o investidor pode
encontrar diferentes índices P/L para a mesma empresa, sendo que todos eles podem estar
corretos, mas permitem diferentes conclusões.
Feito as devidas ressalvas, Damodaran (2006) e Lueders (2009) afirmam que diversos
estudos comprovam que empresas com baixos P/L apresentam desempenho acima da média do
mercado, enquanto empresas com maiores índices P/L apresentam retornos inferiores para os
investidores.
Damodaran (2006) ressalva que o investidor deve ter cuidado nos casos em que o índice
P/L é negativo, situação comum que ocorre quando o lucro líquido é negativo. Nesse caso o
autor recomenda que os dados sejam desconsiderados. Porém, no presente estudo está sendo
avaliado um número reduzido de empresas e no atual contexto econômico 8 dentre as 10
empresas apresentam um P/L negativo, com relação à data de 27/08/2017. Dessa forma, optou-
se por considerar os índices negativos, com a ressalva que nesses casos, quanto mais próximo
de zero o P/L, pior é a situação financeira da empresa, pois conforme ilustra a Figura 13,
admitindo-se um preço constante de R$ 10,00 por ação, quanto maior o prejuízo da empresa,
maior o valor do P/L. Obviamente que quando a situação se inverte, ou seja, quando há lucro,
quanto maior esse lucro, menor será o P/L.
66
Figura 13: Relação entre P/L e Lucro/Prejuízo líquido por ação, considerando o preço por ação
constante.
Fonte: Dados da pesquisa (2017).
Dessa forma, a Tabela 10 demonstra a média aritmética do indicador P/L, considerando
o período e as empresas delimitadas na presente pesquisa. Para cálculo desse indicador a
Economática considera a cotação diária de fechamento da ação, sendo o valor dessa cotação
ajustado por desdobramentos e agrupamentos, e o lucro líquido por ação, calculado
trimestralmente, considerando a quantidade média de ações no período.
CYRE3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
18/11/09 -
31/12/09 16,6 17,1 16,2 7,3 28,2 11,2 391,3 20,3 18,9 16,2
2010 11,4 13 8,4 7,6 14,4 7,2 8 14,5 12,5 10,4
2011 13,8 8,5 6,5 7,7 10,4 6,7 6,7 9,1 65,4 7,7
2012 12,5 8,8 8,1 9,8 -1,8 8,2 14,1 8,1 17,3 51,9
2013 9,4 9 7,5 9,9 -11 8,4 20,3 8,7 -4 -8,7
2014 7,7 7,5 5,5 6,6 1,4 5,9 5,2 7 19,9 5,5
2015 6,7 4,1 4,2 4,9 10,8 4,3 25,3 5,7 -0,2 5,2
2016 11,5 7,2 20,8 7,4 -20 -7,2 11,1 8,9 -0,1 -1,2
01/01/17 -
27/08/17 18,9 -32,4 196,6 16,1 -0,7 -4,7 -4,6 10,9 -0,2 -1,1
Média 12,1 4,8 30,4 8,6 3,5 4,4 53,0 10,4 14,4 9,5
Tabela 10: P/L anual entre 18/11/09 e 27/08/17.
Fonte: Elaborado pelo autor, com base em dados da Economática.
67
A título de exemplificação, Siegel (2015) avalia que dentre os anos de 1871 e 2012 as
empresas americanas que fazem parte do índice Standard & Poor’s 500 (S&P 500)
apresentaram em média um P/L anual de 14,5%.
Na Tabela 11 é apresentado a estatística descritiva com base nos dados da Tabela 10.
P/L
Mínimo -32,4
Mediana 8,15
Máximo 391,3
Média 15,73
Desvio padrão 46,19
Tabela 11: Estatística descritiva da variável P/L, considerando todas empresas e todo período.
Fonte: Dados da pesquisa (2017).
Por fim, considerando os dados apresentados na Tabela 11, na Figura 14 é apresentado
a variável P/L fuzzificada no software Matlab. Além dos 3 valores linguísticos utilizados nas
variáveis anteriores, será adotado um quarto valor, denominado “negativo”.
Figura 14: Variável P/L fuzzificada.
Fonte: Dados da pesquisa (2017).
Assim como a variável P/L, a variável P/VP avalia o preço da ação, de forma que quanto
menor o valor, mais barata ela está cotada em relação a seu valor patrimonial. O valor
patrimonial líquido varia pouco entre um balanço e outro, pois depende do acúmulo dos lucros
líquidos, ou prejuízos. Empresas sólidas aumentam seu valor patrimonial líquido
consistentemente. Porém há casos em que o valor patrimonial líquido da empresa é negativo,
ou seja, se a empresa for liquidada nesse momento não seria possível pagar todas dívidas
contraídas. O indicador P/VP é melhor avaliado se complementado com um indicador que
avalia os retornos patrimoniais, como é o caso da Rentabilidade sobre o Patrimônio, conhecido
como ROE. Além disso, o indicador P/VP é melhor utilizado quando compara a empresa com
seu setor de atuação, pois cada ramo de atividade possui diferentes necessidades de valor
patrimonial para operar (Lueders, 2009).
68
Damodaran (2006, p. 34) é enfático ao afirmar que “o valor patrimonial é uma questão de
opinião, não um fato”. O autor justifica que alguns investidores consideram o valor patrimonial
uma medida inerentemente mais conservadora do valor da empresa do que o valor definido pelo
mercado que está sujeito a oscilações irracionais de humor dos investidores, porém, por mais
que em alguns casos essa afirmativa procede, em outros, o fato da ação ser negociado abaixo
do seu valor patrimonial é justificado porque as ações representam maus investimentos e/ou
risco elevado. Diferentemente do P/L, o P/VP apresenta variações apenas em função do número
de ações, que pode ser avaliado em função do número efetivo de ações em circulação ou do
número potencial de ações em circulação. O valor patrimonial também é impactado reduzindo
seu valor quando há recompra de ações por parte da empresa, ou dependendo do método de
depreciação adotado pelos contadores.
Contudo, dada as devidas limitações do indicador, Damodaran (2006) e Lueders (2009)
afirmam que ações negociadas a baixos índices P/VP apresentam melhor desempenho frente as
ações negociadas a altos índices.
Assim como no caso da variável P/L, Damodaran (2006) explica que para as empresas
que apresentam patrimônio líquido negativo, resultando em um P/VP negativo, não é possível
calcular o seu P/VP. No escopo da presente pesquisa nenhuma das empresas apresentou
resultados negativos para o indicador P/VP e, portanto, todos valores foram considerados na
análise. Dessa forma, a Tabela 12 demonstra a média aritmética do indicador P/VP,
considerando o período e as empresas delimitadas na presente pesquisa. Para cálculo desse
indicador a Economática considera também a cotação diária de fechamento da ação, sendo o
valor dessa cotação ajustado por desdobramentos e agrupamentos, e o valor patrimonial por
ação, calculado trimestralmente, considerando a quantidade média de ações no período.
CYRE3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
18/11/09 -
31/12/09 3,30 3,01 1,63 1,29 2,06 1,52 1,74 2,68 2,04 1,67
2010 2,26 2,17 1,42 1,40 1,57 1,58 1,40 2,60 1,62 1,47
2011 1,48 1,54 1,16 1,75 0,92 1,71 1,63 1,98 1,59 1,38
2012 1,44 1,34 1,04 2,14 0,65 2,01 2,39 1,56 0,87 1,07
2013 1,30 1,52 1,10 2,24 0,65 2,06 2,17 1,08 0,56 1,15
2014 0,93 1,03 0,74 1,57 0,41 1,30 0,71 0,85 0,25 0,81
2015 0,66 0,45 0,41 0,93 0,28 0,53 0,36 0,74 0,08 0,39
2016 0,63 0,46 0,41 0,91 0,28 0,32 0,30 1,00 0,06 0,26
01/01/17 -
27/08/17 0,79 0,52 0,46 1,12 0,33 0,58 0,52 1,17 0,22 0,53
Média 1,42 1,34 0,93 1,48 0,79 1,29 1,25 1,52 0,81 0,97
Tabela 12: P/VP anual entre 18/11/09 e 27/08/17 (valores em percentuais).
Fonte: Elaborado pelo autor, com base em dados da Economática.
69
Na Tabela 13 é apresentado a estatística descritiva com base nos dados da Tabela 12.
P/L
Mínimo 0,06
Mediana 1,11
Máximo 3,30
Média 1,18
Desvio padrão 0,71
Tabela 13: Estatística descritiva da variável P/VP, considerando todas empresas e todo período (valores
em percentuais).
Fonte: Dados da pesquisa (2017).
Por fim, considerando os dados apresentados na Tabela 13, na Figura 15 é apresentado
a variável P/VP fuzzificada no software Matlab. Nesse caso, diferentemente da variável P/L e
assim como as demais variáveis fuzzificada anteriormente, a variável linguística P/VP receberá
3 valores linguísticos: “baixo”, “médio” e “alto”.
Figura 15: Variável P/VP fuzzificada.
Fonte: Dados da pesquisa (2017).
4.1.5 Modelagem da variável 5: histórico de lucro nos últimos 5 anos
Na modelagem do lucro das empresas optou-se por utilizar a variável “Margem Líquida”,
pois mais do que considerar o lucro líquido, esse indicador reflete a relação entre o lucro líquido
e a receita líquida, conforme apresentado na Equação 7.
Equação 7: Fórmula para cálculo da variável “Margem Líquida”
Para cálculo da Margem Líquida a Economática considera no numerador o lucro líquido
mais a participação dos acionistas minoritários, e no denominador a receita líquida operacional,
conforme apresentado na Equação 8.
Margem Líquida = Lucro Líquido / Receita Líquida
70
Equação 8: Fórmula para cálculo da variável “Margem Líquida”, utilizada pela Economática
Buffett e Clark (2010) explicam que o lucro líquido em valor absoluto para um
determinado ano, por si só não significa nada. É importante verificar a evolução histórica desse
lucro, para verificar se há uma tendência de alta. Porém, ainda assim, a análise dessa evolução
histórica pode ser mal interpretada devido a eventuais recompras de ações. Os autores explicam
que, em casos extremos, a recompra de ações pode até gerar um aumento do lucro por ação,
enquanto o lucro líquido da empresa está caindo.
Portanto, para coibir falsas interpretações, uma das maneiras pelas quais Warren Buffett
busca analisar a lucratividade da empresa é analisando a razão entre o lucro líquido e a receita
total. O investidor exemplifica que se tivesse que escolher entre uma empresa que está lucrando
US$ 2 bilhões com uma receita total de US$ 10 bilhões, e outra empresa que está lucrando US$
5 bilhões com uma receita total de US$ 100 bilhões, a primeira seria a escolhida pois, sua
margem líquida é de 20% enquanto a segunda apresenta uma margem de 5% (Buffett e Clark,
2010). Portanto, mais do que o lucro líquido, nesse caso avalia-se a eficiência operacional da
empresa.
Para exemplificar melhor o conceito Buffett e Clark (2010) apontam que a Moody’s
apresenta um lucro líquido de 31% da receita total. Por sua vez, a Coca-Cola lucra 21%, a
Southwest Airlines lucra 7% enquanto a General Motors apresenta um índice de 3%, quando
está em um ano bom. Essa diferença de margem muitas vezes é oriunda dos diferentes níveis
de competitividade de cada setor. Por fim, os autores generalizam os valores e afirmam que
quando uma empresa apresenta um histórico de margem líquida superior a 20%, há boas
chances dessa empresa ter algum tipo de vantagem competitiva. Por outro lado, se o percentual
é consistentemente menor que 10%, é bem provável que a empresa não possui vantagem
competitiva. Por fim, entre 10% e 20% a empresa está em uma zona de indefinição que merece
maior atenção a outros indicadores.
Convém destacar ainda que a segunda maneira pela qual Warren Buffett avalia a
lucratividade da empresa é através do histórico do Lucro por Ação (Buffett e Clark, 2010).
Porém, essa segunda abordagem não foi adotada na presente pesquisa, pois essa variável já foi
considerada na modelagem do índice P/L.
Margem Líquida = Lucro líquido + Part. Acionistas Minor.
Receita Líquida Operacional
71
Dessa forma, analogamente à variável “Grau de Endividamento”, a Tabela 14 apresenta
o histórico da Margem Líquida trimestral, referente ao período entre 18/11/09 e 27/08/17 para
as empresas ora exploradas, extraídas diretamente do sistema Economática, com base na
Equação 8.
CYRE3 DIRR3 EVEN3 EZTC3 GFSA3 HBOR3 JHSF3 MRVE3 RSID3 TCSA3
31-12-09 20,2 22,8 11,6 31,7 9,4 13,4 30,2 22,7 13,9 18,6
31-03-10 19,7 24,1 12,4 31,4 9,0 14,1 32,8 23,0 14,2 20,2
30-06-10 18,7 25,3 13,1 32,5 9,2 15,7 33,1 23,2 14,9 18,5
30-09-10 17,0 24,0 13,0 34,8 10,0 18,2 32,7 24,3 14,9 18,9
31-12-10 14,0 21,3 13,0 35,9 11,8 18,4 28,0 22,4 8,0 14,1
31-03-11 11,9 19,2 13,5 36,9 10,8 18,9 29,9 22,0 6,2 13,2
30-06-11 9,7 16,8 13,5 37,7 8,6 19,6 30,0 21,5 3,0 13,8
30-09-11 8,7 16,3 13,1 37,3 6,7 18,1 33,0 20,1 0,6 13,2
31-12-11 9,7 16,9 12,2 39,1 -30,8 18,1 24,3 20,3 2,8 9,0
31-03-12 10,0 16,6 11,5 39,7 -31,0 17,7 24,0 18,5 3,8 4,6
30-06-12 10,7 16,7 10,5 39,9 -31,8 17,3 23,4 17,0 4,4 -0,1
30-09-12 10,7 15,6 10,4 40,3 -32,3 18,5 20,4 15,2 4,0 -8,0
31-12-12 13,3 16,8 12,5 39,0 -1,9 19,0 20,5 13,5 -7,6 -12,6
31-03-13 15,4 16,4 12,8 41,6 -2,6 20,1 18,6 13,1 -11,3 -6,5
30-06-13 16,8 15,6 13,7 44,1 -3,4 22,6 16,4 13,1 -13,0 -0,6
30-09-13 18,1 15,5 14,2 46,8 -4,0 24,1 12,4 12,8 -14,4 7,2
31-12-13 16,6 13,6 13,4 50,9 35,0 15,6 47,7 11,6 2,8 15,6
31-03-14 15,8 13,2 13,2 50,4 36,3 14,9 47,6 11,3 3,8 14,8
30-06-14 15,6 13,4 12,4 50,5 37,2 12,4 50,4 17,9 2,0 15,2
30-09-14 15,0 13,1 13,1 50,4 38,1 9,9 54,2 17,8 -12,4 14,1
31-12-14 14,3 12,7 12,4 46,9 -2,0 11,4 7,1 17,9 -37,6 13,3
31-03-15 13,8 12,1 12,0 49,5 1,3 10,3 5,1 18,1 -54,2 13,5
30-06-15 13,9 11,3 12,6 50,0 2,5 7,7 5,3 11,8 -59,9 11,6
30-09-15 14,0 10,4 10,0 48,9 3,3 5,9 3,6 11,9 -59,7 10,3
31-12-15 13,7 10,0 6,8 49,0 3,1 5,3 17,4 12,5 -45,0 23,0
31-03-16 13,7 9,4 6,2 44,8 -0,6 2,9 12,1 13,0 -52,8 23,7
30-06-16 12,0 8,8 4,6 37,6 -3,7 2,2 20,3 13,0 -87,0 12,8
30-09-16 9,4 6,9 2,9 32,3 -8,2 -4,1 9,9 13,3 -104,6 -9,5
31-12-16 7,7 -0,1 2,3 30,6 -126,9 -11,4 -65,2 13,5 -98,2 -133,8
31-03-17 6,2 -5,0 -2,3 25,7 - -22,1 -65,1 13,4 -95,8 -184,8
30-06-17 -0,0 -11,9 -9,1 26,1 - -43,1 -75,2 13,5 -114,4 -186,2
Média 13,1 13,5 10,0 40,4 -1,6 10,1 15,6 16,6 -24,8 -7,2
Tabela 14: Margem Líquida trimestral entre 31/12/09 e 30/06/17 (valores em percentuais).
Fonte: Elaborado pelo autor, com base em dados da Economática.
Com os resultados apresentados na Tabela 14, pode-se avaliar os dados estatísticos,
conforme realizado anteriormente para auxiliar na etapa de fuzzificação. O resultado dessa
análise é apresentado na Tabela 15.
72
Margem Líquida
Mínimo -186,19
Mediana 13,29
Máximo 54,21
Média 8,63
Desvio padrão 30,64
Tabela 15: Estatística descritiva da variável “Margem Líquida”, considerando todas empresas e todo
período (valores em percentuais).
Fonte: Dados da pesquisa (2017).
Finalmente, com o auxílio da Tabela 15 a etapa de fuzzificação é realizada e o resultado
é apresentado na Figura 16.
Figura 16: Variável “Margem Líquida” fuzzificada.
Fonte: Dados da pesquisa (2017).
4.1.6 Modelagem da variável 6: decisão de compra
Para auxiliar na modelagem da output do sistema convém avaliar como outros
pesquisadores têm feito. Nesse sentido, Almeida (2015) utilizou 3 valores linguísticos, sendo
eles “Venda”, “Mantém” e “Compra”. Castro e Pinto (2009) utilizou 2 valores linguísticos,
sendo eles “Venda” e “Compra”. Por sua vez, Lincy e John (2016) construíram 3 sistemas
independentes sendo que cada um remetia a uma saída “Venda”, “Mantém” ou “Compra”,
sendo que esses termos representam as variáveis linguística e para cada uma dessas variáveis
os autores atribuíram valores linguísticos, sendo eles “Baixo”, “Médio” e “Alto”.
Como nessa pesquisa o interesse é apenas na decisão de compra de um ativo foi adotado
o mesmo critério de Lincy e John (2016) que mapearam a decisão de compra individualmente.
Portanto, referente a etapa “i” do objeto específico “a”, definiu-se a variável linguística
“Decisão de Compra”. Referente e etapa “ii” do mesmo objetivo, adotou-se os valores
linguísticos “Não Compra Forte”, “Não Compra Médio”, “Não Compra Fraco”, “Compra
Fraco”, “Compra Médio” e “Compra Forte”. Esses valores foram definidos em função das 6
73
diferentes variáveis de entrada. A Figura 17 apresenta a variável “Decisão de Compra”
fuzzificada.
Figura 17: Variável “Decisão de Compra” fuzzificada.
Fonte: Dados da pesquisa (2017).
Nesse ponto a pesquisa pode ser personalizada de acordo com diferentes perfis de
investidores, de forma que um investidor menos propenso ao risco pode reduzir a área sob a
curva do valor linguístico “Compra Forte”, por exemplo.
Nesse ponto da pesquisa, dá-se por concluído as etapas “i” e “ii” referentes ao objetivo
específico “a” que foram alcançados individualmente para cada uma das 7 variáveis utilizadas.
4.1.7 Determinação das regras do sistema
Nessa etapa da pesquisa, busca-se a terceira etapa do primeiro objetivo, que consiste na
definição das regras do sistema. Ao todo foram mapeadas 6 variáveis de entrada, sendo que 5
delas podem assumir 3 valores linguísticos e uma (P/L) pode assumir 4 valores. Retomando os
conceitos do princípio fundamental da contagem (Lima & Borba, 2015), pode-se inferir que
esse sistema permite 972 combinações (35 x 4). Ou seja, é necessário definir 972 regras para
mapear todas as possibilidades de combinação dos 19 valores linguísticos ora utilizados. Como
tais variáveis são independentes, todas as combinações são possíveis de ocorrerem, embora
algumas são altamente improváveis.
As 972 regras foram definidas com auxílio de planilhas eletrônicas e são todas
apresentadas no Apêndice A. Para elaboração das regras, primeiramente foi atribuído valores
entre 0 e 1 para os valores linguísticos das variáveis linguísticas de entrada, conforme exibido
na Tabela 16. Dessa forma, se um valor linguístico recebe um valor linguístico de 1, significa
que sua compra é recomendada. Em contrapartida, se o valor linguístico é igual a 0, significa
que o ativo está com um indicador ruim.
74
Negativo Baixo Médio Alto
DY - 0 0,5 1
Crescimento Anual Vendas - 0 0,5 1
Grau Endividamento - 1 0,5 0
P/L 0 1 0,67 0,33
P/VP - 1 0,5 0
Margem Líquida - 0 0,5 1
Tabela 16: Pontuação atribuída aos valores linguísticos de cada variável linguística.
Fonte: Dados da pesquisa (2017).
Posteriormente, para cada regra foi somado a pontuação obtida com a combinação das
variáveis e foi atribuído uma variável de saída, conforme apresentado na Equação 9.
Equação 9: Critério adotado para avaliar a variável “Decisão de Compra”
Por exemplo, a regra número 735 avalia um ativo com DY “alto”, Crescimento Anual
de Vendas “baixo”, Grau de endividamento “alto”, P/L “médio”, P/VP “médio” e Margem
Líquida “Alto”, que receberam a pontuação 1 - 0 - 0 - 0,67 - 0,5 - 1, respectivamente. A soma
das variáveis resulta em 3,17, que por sua vez representa um sinal de “Compra fraco”.
A Figura 18 exibe a distribuição das 972 regras para cada tomada de decisão. Dessa
forma, dá-se por concluído a etapa “iii” do objetivo específico “a”.
Figura 18: Distribuição das 972 regras em função das decisões tomadas pelo sistema.
Fonte: Dados da pesquisa (2017).
75
4.1.8 Determinação dos parâmetros técnicos do sistema
O sistema desenvolvido é caracterizado como Multiple-Input-Single-Output (MISO), no
qual há 6 variáveis de entrada e uma variável de saída (multifatorial), conforme apresentado na
Figura 19. Com relação à lógica fuzzy se faz necessário a definição de alguns parâmetros
técnicos, exigidos pelos Matlab, os quais são apresentados na sequência.
Figura 19: Sistema MISO implementado na pesquisa.
Fonte: Dados da pesquisa (2017).
a. Quantidade de valores linguísticos: optou-se por utilizar três valores linguísticos
para cada variável, exceto para a variável P/L que apresenta uma particularidade
quando seu resultado é negativo, pois 5 dentre os 8 trabalhos estudados e
apresentados no capítulo 2.3.1, também utilizaram 3 valores linguísticos para cada
variável;
b. Modelagem com função de pertinência triangular: Caetano (2006, p. 19) explica
que “a função de pertinência traduz a variável numérica numa variável linguística
que poderá ser analisada pela lógica fuzzy”. Dentre os 8 trabalhos, apenas um
utilizou função trapezoidal, 4 utilizaram função triangular e 4 utilizaram função
gaussiana, sendo que um trabalho modelou algumas variáveis com função
gaussiana e outras variáveis com função trapezoidal e um trabalho não relatou
qual função de pertinência foi utilizada. A escolha da função triangular se deu em
função de ser a mesma curva utilizada por Castro e Pinto (2009), que explicaram
como procederam com a fuzzificação fazendo uso da estatística descritiva. Se
fosse utilizado a função gaussiana, a mesma deveria ser descrita por meio da
média e do desvio padrão dos dados, e não os valores mínimos, máximos e
mediana, como foi adotado nesse trabalho;
c. Utilização do método de inferência de Mamdani: Negnevitsky (2005, como citado
em Chourmouziadis e Chatzoglou, 2016) aponta que o método proposto por
Mamdani é largamente aceito quando é necessário capturar conhecimento de
76
especialistas, além disso, esse método requer as etapas de fuzzificação e
defuzzificação, conforme abordado no capítulo 2.3. Ademais, esse método foi o
mais utilizado dentre as pesquisas identificadas no capítulo 2.3.1;
d. Métodos “And” e “Or” calculados por operadores “mínimo” e “máximo”,
respectivamente: esses operadores são utilizados para operar a parte antecedente
das regras. Ngai (2003 como citado em Mehdi e Montazer, 2010) explica que os
operadores mínimo e máximo são comumente utilizado em estratégias de
inferências fuzzy;
e. Métodos “implicação” e “agregação” calculados por operadores “mínimo” e
“máximo”, respectivamente: esses operadores são utilizados para operar as
outputs fornecidas por cada regra;
f. Utilização do método de centro de gravidade para defuzzificação: também
conhecido como método centroide, é frequentemente utilizado e conduz a
resultados consistentes com uma abordagem balanceada (Klir & Folger, 1998,
como citado em Mehdi e Montazer, 2010). O método de centro de gravidade é
calculado sobre o gráfico gerado no parâmetro anterior, ou seja, na etapa de
defuzzificação.
A Figura 20 exemplifica graficamente em 8 passos como a lógica fuzzy é impactada
pelas definições ora adotadas. No exemplo, é apresentado um sistema simples com 3 variáveis
linguísticas (2 variáveis de entrada e 1 saída), sendo a associação entre as variáveis e valores
linguísticos modelada por apenas 3 regras.
77
Figura 20: Ilustração dos passos percorridos com a aplicação da lógica fuzzy
Fonte: Adaptado de Oliveira e Barbosa (2006).
Dessa forma, dá-se por concluído a quarta e última etapa do primeiro objetivo
específico. Na sequência é necessário alimentar a lógica fuzzy com os valores dos indicadores
na data de 27/08/17, para avaliar a decisão de compra de cada ativo e assim concluir o primeiro
objetivo específico.
4.1.9 Escolha dos ativos alvos
Na hora de simular os resultados foi percebido uma inconsistência, pois o valor mínimo
para o P/L apresentado na Tabela 11 foi de -32,4, porém o valor do P/L para o ativo CYRE3
em 27/08/17 foi de -52,58. Portanto, como o valor está fora do range aceito, o sistema não
apresenta resultados coerentes. Essa divergência se deve, pois para o cálculo do índice P/L
anual exibido na Tabela 10 foi utilizado a média simples dos índices diários, porém na data
referida, o índice apresentava um valor bem abaixo dessa média. Para solucionar o impasse, a
variável P/L foi fuzzificada novamente, alterando o limite inferior da função de pertinência do
valor linguístico “Negativo”. A variável P/L fuzzificada corrigida é apresentada na Figura 21.
78
Figura 21: Variável P/L corrigida fuzzificada.
Fonte: Dados da pesquisa (2017).
Com as regras definidas conforme apresentado no Apêndice A foi simulado o
comportamento do sistema em função dos valores reais apresentados com base na data de
27/08/2017. Os valores que foram inseridos no sistema são apresentados na Tabela 17, que por
sua vez também apresenta a resposta (decisão de compra) com seu respectivo grau de
pertinência. Na última coluna é apresentado uma comparação da força do sinal de compra com
o sinal máximo que equivale a uma decisão “Compra Forte” com grau de pertinência igual a 6.
DY
Cresc.
Anual
Vendas
Grau de
Endivid. P/L P/VP
Margem
Líquida
Decisão de
Compra
Grau de
Pertinência
% sinal
máx.
Compra
MRVE3 4,88 -0,30 53,60 10,27 1,09 13,50 Compra Médio 4,03 67,17%
EZTC3 5,23 -35,50 12,50 20,13 1,25 26,12 Compra Fraco 3,70 61,67%
CYRE3 0,75 -15,30 53,50 -52,58 0,82 -0,03 Compra Fraco 3,00 50,00%
JHSF3 0 -11,50 58,70 -3,47 0,45 -75,16 Não Compra Fraco 2,32 38,67%
DIRR3 0 -53,10 58,20 -6,80 0,51 -11,88 Não Compra Fraco 2,29 38,17%
EVEN3 0 -31,90 72,10 -6,51 0,45 -9,06 Não Compra Fraco 2,16 36,00%
GFSA3 0 -68,70 96,30 -0,25 ¹ 0,23 -4,06 ² Não Compra Fraco 2,03 33,83%
TCSA3 0 -15,30 54,90 -1,05 0,58 -186,19 Não Compra Médio 1,88 31,33%
RSID3 0 -11,80 527,40 -0,21 0,30 -114,42 Não Compra Médio 1,76 29,33%
HBOR3 0 -46,40 127,70 -2,60 0,54 -43,11 Não Compra Médio 1,72 28,67%
Tabela 17: Análise dos índices com base na data de 27/08/17.
Fonte: Elaborado pelo autor, com base em dados apresentados no software Matlab. 1 Valor não estava disponível na base da Economática, foi utilizado o valor apresentado na base de
dados do site Fundamentus (2017). Para efeito de comparação, o valor do P/L apresentado na base
Economática apresenta um coeficiente de correlação de 99,990% com o valor do P/L apresentado na
base do site Fundamentus, considerando os valores das 10 empresas no dia 27/08/17. 2 Valor não estava disponível na base da Economática, foi utilizado o valor apresentado na base de
dados do site Fundamentus (2017). Para efeito de comparação, o valor da Margem Líquida
apresentado na base Economática apresenta um coeficiente de correlação de 99,884% com o valor da
Margem Líquida apresentado na base do site Fundamentus, considerando os valores das 10 empresas
no dia 27/08/17.
Dessa forma, para o escopo dessa pesquisa, optou-se por trabalhar com os ativos
MRVE3 e EZTC3, que apresentaram os dois melhores sinais de compra. Nesse ponto, como o
79
primeiro ativo apresentou um resultado melhor que o segundo, na prática poderia ser formado
uma carteira no qual o primeiro ativo receba um maior aporte. Ressalva-se ainda que a escolha
por ambos os ativos vai de encontro com a percepção do mercado que os precificaram mais
caros em relação ao lucro e ao valor patrimonial, em comparação com as demais empresas.
Além disso, em matéria divulgada no website de uma empresa de análise independente, o ativo
EZTC3 é fortemente recomendado: “A Eztec é, sem dúvidas, a melhor empresa do segmento
de construção civil, sendo a empresa com as maiores margens do segmento e com uma estrutura
de capital bastante saudável e conservadora” (Suno Research, 2017).
Escolhido os 2 ativos alvos, dá-se por concluído o primeiro objetivo da pesquisa. Na
sequência é apresentado como a análise técnica pode vir a ser utilizada para auxiliar o investidor
a determinar o melhor momento de compra do ativo.
4.2 AVALIAÇÃO POR ANÁLISE TÉCNICA DO MELHOR MOMENTO PARA
COMPRA DO ATIVO
Nesse trabalho optou-se por utilizar Médias Móveis – MMs como indicadores de
suporte à decisão de compra do ativo. A escolha se deu, pois as MMs estão entre os indicadores
mais difundidos no mercado, conforme apontado no estudo de Rojo (2014). Sua principal
função é auxiliar na análise de tendências (Elder, 2006) e, consequentemente pode auxiliar na
identificação de um sinal de entrada. Além disso, diferentemente dos padrões gráficos,
geralmente as MMs não dão margem para mais de uma interpretação. Por outro lado, deve ser
enfatizado que as MMs não antecipam o mercado e apenas mostram uma tendência após o fato
ter ocorrido (Lemos & Cardoso, 2010).
É possível obter sinais de compras plotando MMs sobre o gráfico de preços e
observando o sentido de cruzamento do preço sobre a MM. Isso acontece quando o preço do
ativo cruza a MM de baixo para cima. Para aumentar a confiabilidade da decisão é aconselhável
aguardar para verificar se a MM também aponta para cima, identificando uma tendência de
subida de preço (Lemos & Cardoso, 2010). Nesse sentido, Varella (2012) acrescenta que o
investidor pode optar por fazer a compra apenas quando o preço de fechamento ou o preço
mínimo da barra anterior fica acima da MM.
Outra possibilidade para se trabalhar com as MMs é através do cruzamento entre as
próprias MMs, que tem por objetivo reduzir a quantidade de falsos sinais comuns em operações
que utilizam apenas uma MM. Dessa forma, uma MM mais longa é utilizada para identificar a
80
entrada de uma tendência enquanto uma MM mais curta identifica o tempo da operação.
Analogamente à análise anterior, quando a MM mais curta cruza a MM mais longa de baixo
para cima, tem-se o sinal de compra (Lemos & Cardoso, 2010). A Figura 22 exemplifica a
estratégia com base em cruzamento de 2 MMs.
Figura 22: Sinal de compra obtido através do cruzamento entre 2 MMs.
Fonte: Adaptado de Varella (2012).
Na Figura 22 é exibido o comportamento de preços de um ativo qualquer através de um
gráfico de candles. A linha azul representa a MM rápida ou curta e a linha vermelha é a MM
longa ou lenta. As duas marcações em verde representam sinais de compra, nos quais a MM
curta está cruzando de baixo para cima a MM longa. Não é o escopo do presente trabalho, mas
apenas para exemplificar, a marcação em vermelho representa um sinal de venda no qual a MM
rápida está cruzando de cima para baixa a MM lenta.
O primeiro ponto a ser considerado quando se trabalha com MMs diz respeito ao seu
tipo. Entre os principais, destacam-se a MM Simples – MMS, a MM Ponderada – MMP e a
MM Exponencial – MME, sendo a última adotada nessa pesquisa. A MME apresenta uma
vantagem sobre a MMS pelo fato de conferir maior importância aos preços mais recentes. Em
relação à MMP, a MME tem a vantagem de considerar todos os preços disponíveis para o ativo
que está sendo analisado (Elder, 2006; Lemos & Cardoso, 2010).
Outro ponto a ser considerado é no tocante a escolha do preço a ser considerado. Por
exemplo, será calculado a MME do preço de abertura, fechamento, mínimo, máximo, ou uma
relação entre 2 desses preços? Nesse sentido o preço de fechamento é o mais comumente
adotado, pois reflete o consenso final de valor, o preço mais importante do dia (Elder, 2006).
Dessa forma, a MME adotada na presente pesquisa diz respeito aos preços de fechamento.
81
Ainda com relação as MMs, um dos principais parâmetros a ser determinado é o período.
Nesse sentido, quanto mais curto o período, mais próximo a MM estará dos preços (conforme
exemplificado na linha azul da Figura 22), apresentando maior quantidade de sinais de compras.
Se o investidor está analisando o curto prazo, recomenda-se a adoção entre 10 e 30 períodos.
No médio prazo é comum adotar entre 45 e 120 períodos. Por fim, se o foco é no longo prazo,
é aconselhável utilizar MMs entre 120 e 250 períodos. Idealmente, a quantidade adotada de
períodos deve ignorar os falsos sinais gerados por ruídos e ao mesmo tempo apontar
rapidamente os pontos de entrada para uma operação (Lemos & Cardoso, 2010). Por sua vez,
Debastiani (2008) considera curto prazo entre 7 e 21 períodos, médio prazo entre 22 e 63
períodos e longo prazo acima de 63 dias, em função do quão longo for o prazo de investimentos
adotado.
Na presente pesquisa, visando explorar as perspectivas de longo prazo das empresas, foi
feito uso da análise fundamentalista. Adicionalmente, foi proposto a utilização da análise
técnica como forma de potencializar os resultados de longo prazo através da análise do timing
do mercado, ou seja, procurando realizar a compra do ativo em um momento no qual o mesmo
se encontra com baixo preço no mercado. Dessa forma, é razoável que a análise de compra via
cruzamento de MMEs seja pautada em períodos de curta duração, pois se utilizadas MMs de
longa duração, o sinal pode demorar a chegar. Dessa forma, optou-se pelo cruzamento entre
MMEs rápidas de 9 e 18 dias, pois de acordo com Stevens (2002) essa é uma combinação
comumente utilizada por traders experientes.
Com todos os parâmetros definidos, a Figura 23 demonstra o gráfico de preços da
MRVE3 com a MME de 9 dias (linha azul) e a MME de 18 dias (linha vermelha tracejada). Na
imagem é apresentado candles diários, entre o período de 27/07/17 e 24/11/17. O candle logo
à esquerda da barra vertical azul clara demarca os preços do dia 27/08/17, sendo essa a data
limite utilizada nessa pesquisa para análise dos fundamentos das empresas. Portanto, à direita
da barra vertical é apresentado os preços sobre os quais o investidor estaria analisando um sinal
de entrada, que aconteceu em dois momentos demarcados pelas setas brancas. Percebe-se que
em ambos os momentos a MME de 9 dias (azul) cruza de baixo para cima a MME de 18 dias
(vermelho tracejado), indicando um possível início de tendência de subida de preços.
82
Figura 23: Gráfico de preços diários para MRVE3 com MME de 9 dias e de 18 dias.
Fonte: Dados da pesquisa (2017).
Por sua vez, a Figura 24 demonstra o gráfico de preços da EZTC3 com as mesmas
configurações da Figura 23. Para essa empresa, nos 59 dias de pregão (entre 28/08/17 e
24/11/17) o mercado também apresentou dois possíveis sinais de compra, demarcados pela seta
na cor branca. É importante destacar que após a primeira sinalização de compra emitida em
ambos os papéis o mercado não iniciou uma tendência de alta, mas sim andou de lado.
Conforme evidenciado na literatura, nesses momentos em que não há tendências bem definidas
o cruzamento de MM não apresenta bons sinais. Quanto à segunda sinalização de entrada, ainda
não é possível avaliar se demarca o início de uma tendência de alta ou se novamente o mercado
andará de lado. De qualquer modo, de acordo com Elder (2006) o fato é que ao operar com
cruzamento de MMs o investidor evitará entrar no mercado em um momento no qual o ativo se
encontra com preços elevados.
Figura 24: Gráfico de preços diários para EZTC3 com MME de 9 dias e de 18 dias.
Fonte: Dados da pesquisa (2017).
A título de comparação de estratégias, em seu trabalho de conclusão de curso Guth
(2011) avaliou o desempenho de 3 estratégias com MMs: primeiro utilizando cruzamento de
MMS de 9 e 21 períodos, posteriormente utilizando cruzamento de MME também de 9 e 21
períodos e por fim, utilizando cruzamento entre MME de 9 períodos e MMS de 21 períodos,
sendo essa última opção sugerida por corretores entrevistados. Os testes foram feitos com 11
ativos de diferentes setores entre 01/09/2009 e 30/09/2011. O estudo apontou que o cruzamento
83
de MMEs produziu o melhor desempenho e o menor número de operações, e que, assim como
sugerido na literatura, as MMs são mais eficientes em mercados com tendências bem definidas.
Também em seu trabalho de conclusão de curso, Varella (2012) avaliou uma estratégia
de cruzamento entre 2 MME para analisar 3 ativos, sendo eles PETR4, VALE5 e ITUB4. Em
sua pesquisa, o autor considerou uma janela temporal de 5 anos para avaliar o número de
períodos para cada MME que resulta na melhor performance para cada ativo. Uma vez
determinado esse valor, os mesmos foram aplicados durante o 6º ano. Esse processo é repetido
7 vezes, no qual em cada repetição a janela temporal avança em um ano, ou seja, descarta o ano
mais antigo e adiciona o ano mais recente de forma a manter a janela de 5 anos de análise e 1
ano de aplicação. A estratégia adotada acumulou melhores resultados que a valorização do
índice Ibovespa observada no mesmo período, porém ficou aquém da estratégia buy and hold
considerando o mesmo período e os mesmos ativos.
Dessa forma, dá-se por concluído o segundo objetivo específico da presente pesquisa que
consiste em demonstrar por análise técnica o melhor momento de compra do ativo. Uma vez
que os ativos alvos foram determinados com auxílio da análise fundamentalista e o melhor
momento de compra foi avaliado com auxílio da análise técnica, a presente pesquisa propõe a
simulação de cenários para os ativos.
4.3 APLICAÇÃO DO MODELO DE SIMULAÇÃO DE CENÁRIOS PARA OS ATIVOS
DA CARTEIRA
Resgatando o modelo Rojo (2005) de simulação de cenários discutido no capítulo 2.1.1,
nesse momento o modelo será aplicado em seus níveis 3, 4 e 5, que consistem respectivamente
em: simular cenários, elaborar estratégias para cada cenário e elaborar planos de ação para cada
estratégia.
No estudo de Rojo (2014) foi questionado aos investidores quais variáveis críticas lhes
dão suporte à tomada de decisão de investimento em small caps com foco em 20 anos. Portanto,
como o foco da pesquisa é investimento de longo prazo, é condizente que sejam simulados
cenários no longo prazo. Porém, se o investidor simular cenários para daqui a 20 anos apenas,
poderá passar desapercebido uma oportunidade de compra ou venda do ativo.
Dessa forma, ao invés de simular cenários para daqui a 20 anos, é prudente simular
sucessivamente cenários mais curtos, tais como cenários para o próximo resultado trimestral da
empresa ou cenários para o seu próximo fechamento contábil anual. Por exemplo, se o
84
investidor optar pela segunda opção, hoje ele poderá simular cenários para o próximo
fechamento contábil, que poderá ocorrer em um mês ou em até um ano, e posteriormente, ao
término desse primeiro exercício deverá simular cenários para o próximo ano, e repetir esse
processo anualmente.
Conforme apontado no referencial teórico, a cada novo ciclo de simulação de cenários, o
investidor pode recomeçar a aplicação do modelo desde o início (reavaliando os indicadores
fundamentalistas ora utilizados), ou poderá recomeçar a partir da atualização da inteligência
competitiva (atualizando os dados apresentados no capítulo 4.1 dessa pesquisa), ou ainda,
poderá apenas recomeçar no nível 3 do modelo (reavaliando os cenários simulados e
apresentados na Figura 25). Uma outra opção seria rodar o nível 3, 4 e 5 do modelo a cada
resultado trimestral da empresa, e a cada fechamento anual, o investidor volta uma etapa a mais
e roda o ciclo de simulação a partir do 2º nível.
A Figura 25 representa a aplicação do modelo, sendo que cada nível do modelo é
representado como uma etapa do fluxo. O fluxo foi proposto de forma que independa do período
sobre o qual será simulado cenários.
Figura 25: Aplicação do modelo de simulação de cenários proposto por Rojo (2005).
Fonte: Dados da pesquisa (2017).
85
Avaliando o fluxo exibido na Figura 25 o início da etapa de simulação de cenários ocorre
após a definição do prazo sobre o qual será simulado os cenários. Nessa pesquisa, adotou-se
que os cenários serão simulados para o próximo fechamento do exercício, que para ambas
empresas será em 31/12/2017 (Deloitte Touche Tohmatsu Auditores Independentes, 2017;
MRV Engenharia e Participações S.A., 2017), sendo que os resultados geralmente são
divulgados ao mercado no mês 3 ou 4 do ano subsequente.
Uma vez que o investidor está com os ativos comprados, os cenários futuros podem ser
simulados em relação aos fundamentos das empresas, haja vista que o foco dessa pesquisa é
investimento no longo prazo, e no longo prazo, conforme evidenciado no referencial teórico, o
preço do ativo varia em função dos seus fundamentos. Dessa forma, quando as empresas
divulgarem seus balanços referente ao fechamento do ano de 2017, o investidor deverá
realimentar os 6 indicadores na lógica fuzzy e comparar o novo resultado com o grau de
pertinência obtido anteriormente (4,03 para a MRVE3 e 3,70 para a EZTC3).
Por exemplo, um cenário neutro para o ativo MRVE3 pode ser definido como 4,03 ±
20%. Ou seja, se a pontuação ficar entre 3,22 e 4,83 pode-se inferir que os fundamentos da
empresa se mantiveram constante, dentro de uma faixa admissível. Por sua vez, um cenário
otimista ocorreria caso a pontuação superasse 4,83, enquanto em um cenário pessimista a
empresa perde seus fundamentos e a pontuação cairia para menos de 3,22. Essa simulação de
cenários consiste no nível 3 do modelo Rojo (2005) e é exemplificado na primeira etapa do
fluxo da Figura 25.
A seguir avalia-se as estratégias e planos de ação para cada cenário simulado.
4.3.1 Cenário otimista
Nesse caso, os fundamentos da empresa melhoraram em ao menos 20%. Porém, convém
avaliar se o preço também acompanhou essa melhoria dos fundamentos e em que proporção
houve essa correção. Para fazer essa análise, dando sequência no exemplo do investimento em
MRVE3, o investidor poderia primeiramente avaliar a situação no qual foi feito a compra do
ativo. Por exemplo, de acordo o primeiro sinal de compra observado na Figura 23 o ativo
poderia ter sido comprado por um preço entre R$ 13,77 e R$ 14,14. Supondo que foi comprado
a R$ 14,10 sabendo-se que seus fundamentos somaram 4,03, a relação entre o preço do ativo e
seus fundamentos pode ser obtida pela divisão de 14,1 por 4,03, ou seja, 3,5.
86
Após avaliar a situação no momento da compra inicial do ativo, o investidor deve refazer
esse cálculo considerando a pontuação obtida com os novos fundamentos e o novo preço (no
cenário simulado). Supondo que a empresa melhore seus resultados e seus fundamentos somem
4,85, enquanto o preço do ativo suba para R$ 14,50. Nessa nova situação, a relação entre o
preço do ativo e seu fundamento é de 2,99. Para comparar ambos cenários basta dividir 2,99
por 3,5, que resulta em 0,85. Ou seja, nesse cenário hipotético a empresa melhorou seus
fundamentos em uma proporção maior que a correção que houve em seu preço, portanto,
justifica-se a compra de mais MRVE3 (Figura 25). Nesse sentido, o plano de ação a ser
executado poderia ser a mesma avaliação conduzida no capítulo 4.2, ou seja, comprar ativo
quando sua MME de 9 dias cruzar sua MME de 18 dias de baixo para cima.
Continuando a análise do cenário otimista, uma situação diferente poderia ocorrer caso
os fundamentos da empresa continuem somando 4,85, porém o preço do ativo subiria para
R$18,00. Nesse cenário, a relação entre o preço do ativo e seus fundamentos seria de 3,71,
número maior que o cenário base que apresentou 3,5, resultando em uma relação de 1,06. Nessa
situação, por mais que os fundamentos da empresa tenham melhorado significativamente, o
preço do ativo já corrigiu e até excedeu essa melhoria. Portanto, nessa situação hipotética a
estratégia do investidor poderia ser em manter os ativos que já estão em carteira e como plano
de ação o mesmo deve observar atentamente o ativo durante os próximos dias a fim de comprá-
lo caso seu preço caia a níveis considerados atraentes. Se tiver paciência, o investidor poderá
comprar o ativo com fundamentos melhores que os observados inicialmente e a um bom preço,
pois conforme apontado no referencial teórico, no curto prazo o preço oscila, e não raramente
acaba distanciando-se de seus fundamentos, seja para mais ou para menos.
4.3.2 Cenário neutro
Nesse caso, supõe-se que os fundamentos da empresa permaneçam relativamente
constante, ou seja, entre ± 20% da pontuação obtida inicialmente. Com os fundamentos
constantes, o investidor prudente pode optar pela estratégia de simplesmente manter os ativos
em carteira. Dessa forma, enquanto aguarda para ver se no médio prazo a empresa conseguirá
melhorar seus fundamentos, como plano de ação o investidor pode buscar diversificar sua
carteira com a aquisição de outras ações ou mesmo outros ativos financeiros.
87
4.3.3 Cenário pessimista
Em um cenário pessimista a empresa poderia vir a perder no mínimo 20% de seus
fundamentos. Nessa situação, uma pergunta chave a ser feita inicialmente pelo investidor é se
no longo prazo ele acredita que a empresa conseguirá recuperar seus fundamentos. Essa
pergunta é essencial, pois a perda dos fundamentos da empresa pode ser em função de questões
não recorrentes, tais como um processo judicial perdido ou uma aquisição de outra empresa.
Para que esse nível de detalhamento de análise seja realizado o investidor não poderá considerar
apenas os indicadores da empresa, sendo aconselhável a leitura completa dos relatórios da
administração e outras informações disponibilizadas no portal eletrônico de relacionamento
com investidores.
Caso o investidor acredita que a empresa irá se recuperar no longo prazo, poderá ser feito
a mesma análise que foi feita no cenário otimista na qual compara-se o preço e fundamentos
futuro com o preço e fundamento no momento da compra inicial. Por exemplo, supondo que
nesse cenário os fundamentos da empresa caiam para 2,5 enquanto seu preço caia para R$ 10,00
resultando em uma relação de 4. Comparando a relação entre esses valores com o valor 3,5
obtido no momento da compra inicial do ativo, chega-se no resultado de 1,14 (4 / 3,5). Nesse
cenário, entende-se que os fundamentos caíram significativamente, existe uma expectativa que
no longo prazo a empresa se recupere, todavia, no momento, o preço caiu em uma proporção
menor que a queda observada no fundamento do ativo, tornando-o relativamente caro. O plano
de ação a ser adotado também poderia ser no sentido de monitorar o ativo para verificar se seu
preço caia para níveis mais atraentes.
Ainda considerando que no longo prazo o investidor acredita em uma recuperação da
empresa, outra possibilidade seria a seguinte: supondo que os fundamentos caíram para os
mesmos 2,5 do caso anterior, enquanto o preço do ativo caiu para R$ 7,00. 7 divido por 2,5
resulta em 2,8, que ao ser dividido por 3,5 resulta em 0,8. Ou seja, nesse cenário percebe-se que
os fundamentos caíram significativamente, mas existe uma expectativa que no longo prazo a
empresa se recupere e além disso, o preço caiu em uma proporção maior que a queda observada
nos fundamentos, tornando o ativo relativamente barato no momento. O plano de ação na
ocorrência desse cenário poderia ser no sentido de comprar mais ações, aproveitando sua
momentânea cotação em bolsa de valores. Nesse sentido, buscando comprar a um preço ainda
melhor, poderá ser repetido as etapas apresentadas no capítulo 4.2 na qual propõe a compra do
ativo quando sua MME de 9 dias cruza de baixo para cima sua MME de 18 dias.
88
Por fim, se a empresa perdeu seus fundamentos em mais de 20% e o investidor não
acredita que no longo prazo ela conseguirá reverter esses resultados ruins, a estratégia que
poderia ser adotada é no sentido de vender as ações. Dessa forma, o plano de ação visaria
minimizar a perda tentando vender os papéis a um preço razoável, ou seja, quando a MME de
9 dias cruza de cima para baixo a MME de 18 dias, indicando que uma tendência de baixa está
se iniciando.
Dessa forma, com a simulação dos três cenários, com suas respectivas estratégias e planos
de ação (Figura 25), dá-se por concluído o terceiro objetivo específico da pesquisa que consiste
em aplicar o modelo de simulação de cenários para os ativos da carteira.
89
5 CONTRIBUIÇÕES PARA A PRÁTICA
A contribuição prática dessa pesquisa se dá no sentido que o trabalho pode ser reaplicado
em termos práticos por diferentes perfis de investidores, sem que para isso seja necessário
conhecimento específico em programação ou lógica fuzzy. Ao longo dos resultados alcançados
no decorrer do capítulo 4 o investidor que deseja seguir as etapas aqui propostas pode ainda
personalizar diversos pontos da pesquisa de acordo com suas convicções e ainda sim,
respeitando a metodologia proposta, pode chegar a resultados práticos que lhe proporcionem
uma melhor tomada de decisão em seus investimentos. Além disso, a delimitação adotada de
analisar apenas empresas de construção civil e que pertençam ao índice SMLL pode ser
ampliada ou mesmo redefinida para outros setores de interesse do investidor. Nesse sentido, o
trabalho pode ser útil tanto para pequenos investidores pessoa física quanto para grandes
investidores institucionais.
90
6 CONSIDERAÇÕES FINAIS
Seguindo a sequência proposta no modelo de simulação de cenários proposto por Rojo
(2005), a primeira etapa do método de identificação das variáveis críticas para o investidor de
small caps com foco no longo prazo já havia sido realizada no estudo de Rojo (2014). A segunda
etapa do método prevê a utilização de uma ferramenta de inteligência competitiva para avaliar
as variáveis e foi aplicada no decorrer do capítulo 4.1 e otimizada no capítulo 4.2, que se
valeram das análises fundamentalista e técnica, respectivamente. Por sua vez, as etapas 3, 4 e 5
do modelo foram aplicadas e descritas no capítulo 4.3.
Dessa forma, conclui-se que objetivos específicos propostos foram atingidos em sua
totalidade, muito embora ênfase maior tenha sido dada ao primeiro objetivo que exigiu maiores
análises sobre os dados utilizados. Atingindo cada um dos objetivos específicos,
consequentemente o objetivo geral “aplicar um modelo de simulação de cenários no mercado
de ações, utilizando lógica fuzzy em indicadores fundamentalistas para definir o ativo a ser
investido e análise técnica para determinar o melhor momento de investir” também fora
alcançado, pois o trabalhado representa uma proposta prática aplicável e embasada
cientificamente.
Quanto à pergunta de pesquisa “como aplicar um modelo de simulação de cenários no
mercado de ações, utilizando lógica fuzzy para auxiliar na análise de indicadores
fundamentalistas e complementando com análise técnica?”, a pesquisa apresentou uma
proposta específica que pode porém, ser adaptada por outros investidores de acordo com seu
perfil.
A contribuição científica dessa pesquisa se dá na utilização complementar de diferentes
linhas de pesquisa: simulação de cenários, lógica fuzzy, análise fundamentalista de ações e
análise técnica de ações. Da maneira como foi conduzida a pesquisa, não foi encontrado
trabalho com proposta semelhante.
A pesquisa atual pode dar origem a diferentes perspectivas de trabalhos futuros. No que
se refere à lógica fuzzy, tecnicamente o trabalho pode ser explorado sob as seguintes
abordagens:
Visando aplicar o modelo proposto, poderia ser desenvolvido um algoritmo para rodar na
plataforma MetaTrader®. Esse algoritmo poderia vir a se tornar um produto, tais como os
denominados “robôs” que estão disponíveis para locação na referida plataforma. Nesse sentido,
a pesquisa poderia tomar um rumo semelhante ao que foi desenvolvido por Fedosov (2016).
91
Dessa forma, todo capítulo 4 poderia ser automatizado de forma que um algoritmo rode
continuamente as etapas propostas nessa pesquisa.
Além disso, o modelo puramente fuzzy ora adotado pode ser substituído por modelos
neuro-fuzzy, no qual a diferença básica é que no primeiro as regras são definidas com base em
conhecimento de especialistas, enquanto no modelo que combina lógica fuzzy com redes
neurais as regras são obtidas através um conjunto de dados históricos que são avaliados e geram
regras de associação não identificáveis (geralmente conhecidas pelo termo black box). Na
literatura é extensa e promissora a utilização de tal modelo híbrido. Também tem sido obtido
resultados interessantes com a aplicação de algoritmos genéticos e seus respectivos modelos
híbridos. Outra melhoria que poderia ser testada, seria atribuir pesos às diferentes regras
formuladas no sistema fuzzy.
No que se refere à adoção da análise técnica e fundamentalista, o presente trabalho pode
ser adaptado em função de diferentes perfis de investidores, de forma que outras variáveis
possam ser melhor exploradas. Nesse sentido o trabalho pode ser explorado sob as seguintes
perspectivas:
Quanto a novas variáveis que podem ser consideradas no sistema, várias possibilidades
podem ser exploradas: a análise dos ativos também pode se valer de notícias, as quais poderiam
ser submetidas à análise fuzzy. Por exemplo, uma notícia “boa”, pode confirmar um sinal de
“compra” enquanto uma notícia “ruim” pode confirmar um sinal de “venda” ou negar um sinal
de “compra”. Outra variável qualitativa que poderia ser considerada em um sistema fuzzy é a
“vantagem competitiva durável” a qual é amplamente discutida por Buffett & Clark (2010).
Também é promissor o campo das finanças comportamentais, no qual fatores psicológicos do
mercado passam a ser incorporados nas análises.
Com relação à análise técnica, várias alterações podem ser feitas, de forma que o trabalho
possa ser adaptado à estratégia do investidor. Para tanto, poderá ser considerado outros
seguidores de tendências como a convergência e divergência de médias móveis – do inglês
MACD, a análise poderá ficar mais robusta se complementada com osciladores tais como o
Índice de Força Relativa - IFR e estocástico. Poderá valer-se ainda de indicadores de volume
de negociações como o on balance volume – OBV, além das próprias médias móveis plotadas
sobre o histograma do volume de negociações. Por fim, os indicadores técnicos podem ser
complementados com os padrões ou figuras obtidas nos gráficos de preço, tais como o ombro-
cabeça-ombro, topo-duplo, fundo-duplo, triângulo, retângulo, flâmulas e bandeiras (Deschatre
& Majer, 2006). Com relação a estratégia ora adotada de analisar o cruzamento de médias
móveis, pesquisas futuras podem fazer uso de softwares que permitem a otimização dos
92
resultados, através de simulação e análise dos resultados obtidos com diferentes tipos de médias
móveis e com diferentes períodos, de maneira que para cada ativo possa ser utilizado duas
médias móveis que historicamente conduziram à melhores resultados. A essa análise histórica
é dado o nome de backtest.
Quanto as limitações dessa pesquisa, que podem também ser entendidas como sugestão
de trabalhos futuros, a primeira delas seria justamente no sentido de aplicar o modelo proposto
e avaliar os resultados obtidos, comparando-o com outros benchmarkings. Essa limitação é
decorrente principalmente do tempo necessário para proceder com a avaliação, que idealmente
deve ser de no mínimo alguns anos de observação e simulação de cenários. Dessa forma, avaliar
o resultado do investimento que foi exemplificado nessa pesquisa, com apenas alguns meses
decorridos seria incoerente.
Além disso, partindo do pressuposto que o investidor já tenha ativos em sua carteira, essa
pesquisa poderia ser expandida de forma a avaliar a venda dos ativos e não apenas sua compra.
Por fim, a lógica fuzzy desenvolvida também poderia ser otimizada através do mapeamento do
conhecimento de especialistas para formular as regras que foram apresentadas no Apêndice A,
pois da maneira como foi desenvolvido o sistema ficou sobrecarregado e demora cerca de 20
segundos para processar as informações de cada ativo.
93
REFERÊNCIAS
Almeida, A. C. de, (2017). Planejamento estratégico da Receita Federal do Brasil: análise
comparada com órgãos similares de outros países. Projeto de Dissertação de Mestrado,
Universidade Estadual do Oeste do Paraná, Cascavel, Paraná, Brasil
Almeida, A. J. S. (2015). Modelo de predição para o mercado acionário baseado na lógica
fuzzy. Dissertação de Mestrado, Universidade Federal do Maranhão, São Luís, Maranhão,
Brasil. Recuperado em 25 setembro, 2016, de https://tedebc.ufma.br/jspui/handle/tede/289
Artuso, A. R., & Chaves, A, Neto. (2010). O uso de quartis para a aplicação dos filtros de
Graham na Bovespa (1998-2009). Revista Contabilidade & Finanças, USP, São Paulo,
21(52). Recuperado em 13 maio, 2017, de http://dx.doi.org/10.1590/S1519-
70772010000100003
Ávila, L. (2017). Análise técnica ou fundamentalista: escolhendo ações de empresas para
investir. Clube dos Poupadores. Recuperado em 14 maio, 2017, de
www.clubedospoupadores.com/acoes/analise-tecnica-
fundamentalista.html?utm_term=A+milion%EF%BF%BDria+arte+de+escolher+boas+a%EF
%BF%BD%EF%BF%BD+Dos+Poupadores
Barros, T. de S. (2015). Análise técnica e fundamentalista: ensaios sobre os métodos de
análise. Revista de Administração e Negócios da Amazônia, 7(2). Recuperado em 24 maio,
2017, de https://doi.org/10.18361/2176-8366/rara.v7n2p39-63
Barsi, L., Filho (2016). Cartas “ações garantem o futuro”, semana 6. Recuperado em 20
agosto, 2017, de: https://s3.amazonaws.com/suno-downloads/luiz-barsi-semana-6.pdf
Barsi, L., Filho (2017). Cartas “ações garantem o futuro”, semana 23. Recuperado em 20
agosto, 2017, de: https://www.sunoresearch.com.br/wp-content/uploads/2017/01/Luiz-Barsi-
Semana-23.pdf
Bazin, D. (2017). Faça fortuna com ações, antes que seja tarde: Profissional do mercado
mostra o caminho. (8ª ed.). São Paulo: Editora CLA.
BM&FBovespa (2016a). Índice Bovespa – Ibovespa. Recuperado em 15 junho, 2017, de
http://www.bmfbovespa.com.br/pt_br/produtos/indices/indices-amplos/indice-bovespa-
ibovespa.htm
BM&FBovespa (2016b). Índice de Consumo – ICON. Recuperado em 15 junho, 2017, de
http://www.bmfbovespa.com.br/pt_br/produtos/indices/indices-setoriais/indice-de-consumo-
icon.htm
BM&FBovespa (2017a). Histórico pessoas físicas. Recuperado em 19 maio, 2017, de
http://www.bmfbovespa.com.br/pt_br/servicos/market-data/consultas/historico-pessoas-
fisicas/
BM&FBovespa (2017b). Ações: empresas listadas. Recuperado em 03 setembro, 2017, de
http://www.bmfbovespa.com.br/pt_br/produtos/listados-a-vista-e-derivativos/renda-
variavel/empresas-listadas.htm
94
BM&FBovespa (2017c). Composição da carteira do Índice Small Cap válida para
04/09/2017. Recuperado em 04 setembro, 2017, de
http://www.bmfbovespa.com.br/pt_br/produtos/indices/indices-de-segmento/indice-bm-
fbovespa-small-cap-smll-composicao-da-carteira.htm
Brandalise, L. T., Rojo, C. A., Mata D. M. de, & Souza, A. F. de. (2012). Simulação de
cenários e formulação de estratégias competitivas: o caso do atacado liderança. Revista
Gestão e Tecnologia, 12(3), 223-257. Recuperado em 11 setembro, 2017, de
http://dx.doi.org/10.20397/2177-6652/2012.v12i3.464
Buffett, W. E. (1984). The superinvestors of Graham-and-Doddsville. The Columbia Business
School Magazine.
Buffett, M., & Clark, D. (2010). Warren Buffett e a análise de balanços. Rio de Janeiro:
Sextante.
Caetano, M. A. L. (2006). Lógica fuzzy para tomada de decisão em negócios e finanças.
Revista de Economia e Administração, 5(1), 12-39. Recuperado em 03 novembro, 2017, de
http://www.spell.org.br/documentos/ver/25846/logica-fuzzi-para-tomada-de-decisao-em-
negocios-e-financas/i/pt-br
Caravaggi, L. (2006). “Market timing” e a análise fundamentalista de ações. Recuperado em
15 junho, 2017, de http://www.contabilidade-financeira.com/2006/08/market-timing.html
Carneiro, F. S. de A., Rodrigues, M. V., Pinheiro, G. R., Barreto, L. R., & Sampaio, C. B. P.
(2011). Método de criação de cenários prospectivos para o ensino superior brasileiro na visão
da engenharia de produção. Anais do Encontro Nacional de Engenharia de Produção, Belo
Horizonte, Minas Gerais, Brasil, 31. Recuperado em 07 setembro, 2017, de
http://www.repositorio.ufc.br/bitstream/riufc/13850/1/2011_eve_mvrodrigues.pdf
Castro, S. R. T. de., & Pinto, A. de C. (2009). Alocação de carteiras de ações através da
utilização de lógica fuzzy. Anais do Encontro da Associação Nacional de Pós-Graduação e
Pesquisa em Administração, São Paulo, São Paulo, Brasil, 33. Recuperado em 25 junho,
2017, de http://www.anpad.org.br/admin/pdf/FIN2251.pdf
Cerbasi, G. (2013). Investimentos Inteligentes. Rio de Janeiro: Sextante.
Chourmouziadis, K., & Chatzoglou, P. D. (2016). An intelligent short term stock trading
fuzzy system for assisting investor in portfolio management. Expert Systems With
Applications, 43, 298-311. Recuperado em 24 junho, 2017, de
http://dx.doi.org/10.1016/j.eswa.2015.07.063
Coelho, T. (2011). Sete vidas: lições para construir seu equilíbrio pessoal e professional (2ª
ed.). São Paulo: Saraiva.
Cohen, G. (2005). Options made easy: your guide to profitable trading (2ª ed.). New Jersey:
Financial Times Prentice Hall.
Comissão de Valores Mobiliários (2014). Mercado de valores mobiliários brasileiro (3ª ed.).
Rio de Janeiro: Comissão de Valores Mobiliários.
95
Cordeiro, R. A., Machado, M. A. V. (2013). Value or growth strategy? Empirical evidence in
Brazil. Revista Brasileira de Gestão de Negócios, São Paulo, 15(46), 91-111. Recuperado em
14 maio, 2017, de http://dx.doi.org/10.7819/rbgn.v15i46.1170
Damodaran, A. (2006). Mitos de investimentos. São Paulo: Financial Times – Prentice Hall.
Debastiani, C. A. (2008). Análise técnica de ações: identificando oportunidades de compra e
venda. São Paulo: Novatec Editora.
Deloitte Touche Tohmatsu Auditores Independentes (2017). EZTEC: demonstrações
financeiras 2016. Recuperado em 27 novembro, 2017, de
http://ri.eztec.com.br/eztec2009/web/conteudo_pt.asp?idioma=0&conta=28&tipo=26864
Deschatre, G. A., & Majer, A. (2006). Aprenda a investir com sucesso em ações: análise
técnica e fundamentalista. Rio de Janeiro: Editora Ciência Moderna.
Dias, W. de S. (2016). Seleção de Ações com Uso Combinado de Análises Técnica e
Fundamentalista. Dissertação de Mestrado, Universidade do Vale do Rio dos Sinos, São
Leopoldo, Rio Grande do Sul, Brasil. Recuperado em 24 maio, 2017, de
http://www.repositorio.jesuita.org.br/handle/UNISINOS/5220
Dietrichkeit, E. (2015). A qualidade do serviço no âmbito da distribuição de energia elétrica:
formulação de estratégias que contribuam para aumentar a competitividade das indústrias do
Estado do Paraná. Dissertação de Mestrado, Universidade Estadual do Oeste do Paraná,
Cascavel, Paraná, Brasil. Recuperado em 7 setembro, 2017, de
http://tede.unioeste.br/handle/tede/837
Dourra, H., & Siy, P. (2002). Investment using technical analysis and fuzzy logic. Fuzzy sets
and systems, 127, 221-240. Recuperado em 25 junho, 2017, de
http://dx.doi.org/10.1016/S0165-0114(01)00169-5
Dymova, L., Sevastianov, P., & Kaczmarek, K. (2012). A stock trading expert system based
on the rule-base evidential reasoning using level 2 quotes. Expert Systems With Applications,
39, 7150-7157. Recuperado em 20 maio, 2017, de
http://dx.doi.org/10.1016/j.eswa.2012.01.077
Economática (n.d.). Banco de dados. Recuperado entre agosto e setembro de 2017, de
http://www.economatica.com
Elder, A. (2006). Aprenda a operar no mercado de ações. Rio de Janeiro: Elsevier.
Escola Politécnica da Universidade de São Paulo – EPUSP (2003). O futuro da construção
civil no Brasil: resultados de um estudo de prospecção tecnológica da cadeia produtiva da
construção habitacional. Recuperado em 07 setembro, 2017, de
http://prospectiva.pcc.usp.br/arquivos/O%20futuro%20da%20constru%C3%A7%C3%A3o%
20civil%20no%20brasil.pdf
Fasanghari, M., & Montazer G. A. (2010). Design and implementation of fuzzy expert system
for Tehran Stock Exchange portfolio recommendation. Expert Systems With Applications, 37,
6138-6147. Recuperado em 25 junho, 2017, de https://doi.org/10.1016/j.eswa.2010.02.114
96
Fedosov, A. (2016). Applying fuzzy logic in trading by means of MQL4. Recuperado em 29
junho, 2017, de https://www.mql5.com/en/articles/2032
Fernandes, S. da S. (2011). Finanças comportamentais: um estudo com os alunos do curso de
ciências contábeis da Universidade de Santa Catarina. Trabalho de Conclusão de Curso,
Universidade do Extremo Sul Catarinense, Criciúma, Santa Catarina, Brasil. Recuperado em
02 dezembro, 2017, de
http://repositorio.unesc.net/bitstream/1/607/1/Simone%20da%20Silva%20Fernandes.pdf
Fundamentus (2017). Sistema on-line que disponibiliza informações financeiras e
fundamentalistas das empresas com ações listadas na Bovespa. Recuperado em 27 agosto,
2017, de http://fundamentus.com.br/index.php.
Gerhardt, T. E., & Silveira, D. T. (2009). Métodos de pesquisa. Porto Alegre: Editora da
UFRGS.
Gil, A. C. (2008). Métodos e técnicas de pesquisa social (6ª ed.). São Paulo: Atlas.
Godet, M. (1979). The crisis in forecasting and the emergence of the “prospective” approach
– with case studies in energy and air transport. U.S.A.: Pergamon Press Inc.
Godoy, A. S. (1995). Introdução à pesquisa qualitativa e suas possibilidades. Revista de
Administração de Empresas, São Paulo, 35(2), 57-63. Recuperado em 03 setembro, 2017, de
http://www.scielo.br/pdf/rae/v35n2/a08v35n2.pdf
Graham, B. (2007). O investidor inteligente: um guia prático de como ganhar dinheiro na
bolsa. São Paulo: Nova Fronteira
Graham, B., & Dodd, D. L. (2009). Security analysis: principles and technique (6ª ed.).
Estados Unidos da América: McGraw-Hill.
Grumbach, R. J. (2000). Prospectiva: a chave para o planejamento estratégico (2ª ed.). Rio
de Janeiro: Editora Catau.
Guth, D. R. (2011). Mercado de capitais: análise da utilização das médias móveis de curto
prazo para decisão de investimentos. Trabalho de Conclusão de Curso, Faculdade Cenecista
de Nova Petrópolis, Nova Petrópolis, Rio Grande do Sul, Brasil. Recuperado em 21
novembro, 2017, de http://faculdadenovapetropolis.cnec.br/wp-
content/uploads/sites/121/2016/11/Diego-Roberto-Guth-Mercado-de-capital-an%C3%A1lise-
da-utiliza%C3%A7%C3%A3o-das-m%C3%A9dias-m%C3%B3veis-de-curto-prazo-para-
decis%C3%A3o-de-investimentos.pdf
Haugen, R. A. (2000). Os segredos da bolsa: como prever resultados e lucrar com ações. São
Paulo: Pearson Educação.
Hilgert, S. P., & Rassier, L. H. (2014). Curso: aprenda a investir na bolsa de valores (5ª ed.).
XP Educação.
Hoss, O., Bromberger, V., Rojo, C. A., & Souza, A. F. de. (2012). Simulação de cenários:
estudo de caso nas fontes de recursos da Fundação de Apoio à Educação, Pesquisa e
Desenvolvimento Científico e Tecnológico da Universidade Tecnológica Federal do Paraná
97
campus de Pato Branco. Revista Ibero-Americana de Estratégia - RIAE, 11(3), 172-204.
Recuperado em 11 setembro, 2017, de http://dx.doi.org/10.5585/riae.v11i3.1895
Hsu, P. L. (2015). Formulação estratégica e controladoria no terceiro setor: uma abordagem
por simulação de cenários. Dissertação de Mestrado, Universidade Estadual do Oeste do
Paraná, Cascavel, Paraná, Brasil. Recuperado em 7 setembro, 2017, de
http://tede.unioeste.br/handle/tede/842
Infomoney (2011). Análise técnica: os seis fundamentos que norteiam a teoria de Dow.
Recuperado em 15 junho, 2017, de
http://www.infomoney.com.br/educacao/guias/noticia/2028781/analise-tecnica-seis-
fundamentos-que-norteiam-teoria-dow
Instituto Brasileiro de Geografia Estatística – IBGE (2017). Projeções e estimativas da
população do Brasil e das Unidades da Federação. Recuperado em 19 maio, 2017, de
http://www.ibge.gov.br/apps/populacao/projecao/
Jain, P. C. (2010). Buffett beyond value: why Warren Buffett looks to growth and management
when investing. New Jersey: John Wiley & Sons.
Klir, G. J., & Yuan, B. (1995). Fuzzy sets and fuzzy logic: theory and applications. New
Jersey: Prentice Hall.
Kobori, J. (2011). Análise fundamentalista: como obter uma performance superior e
consistente no mercado de ações. Rio de Janeiro: Elsevier.
Lemos, F., & Cardoso, C. (2010). Análise técnica clássica: com as mais recentes estratégias
da Expo Trader Brasil. São Paulo: Editora Saraiva.
Levine, R. I., Drang, D. E., & Edelson, B. (1988). Inteligência artificial e sistemas
especialistas: aplicações e exemplos práticos. São Paulo: McGraw-Hill.
Lima, I. R. (2012). Sistemas inteligentes para auxiliar na tomada de decisões em mercado de
capitais. Dissertação de Mestrado, Universidade Federal de Lavras, Lavras, Minas Gerais,
Brasil. Recuperado em 25 setembro, 2016, de http://repositorio.ufla.br/handle/1/489
Lima, A. P. B., & Borba, R. E. de S. R. Reconhecendo o princípio fundamental da contagem
como estratégia na resolução de problemas combinatórios. Educ. Matem. Pesq., São Paulo,
17(4), 694-714. Recuperado em 27 outubro, 2017, de
https://revistas.pucsp.br/index.php/emp/article/viewFile/22410/pdf
Lincy, R. M. G., & John, J. C. (2016). A multiple fuzzy inference systems framework for
daily stock trading with application to NASDAQ stock exchange. Expert Systems With
Applications, 44, 13-21. Recuperado em 24 junho, 2017, de
http://dx.doi.org/10.1016/j.eswa.2015.08.045
Lionço, A. (2017). Simulação de cenários: planejamento estratégico do processo sucessório
de um grupo empresarial. Projeto de Dissertação de Mestrado, Universidade Estadual do
Oeste do Paraná, Cascavel, Paraná, Brasil.
Lueders, A. (2009). Investindo em small caps: um roteiro completo para se tornar um
investidor de sucesso (3ª ed.). Rio de Janeiro: Elsevier.
98
Malhotra, N. (2011). Pesquisa de marketing: foco na decisão (3ª ed.). São Paulo: Pearson
Prentice Hall.
Matlab (2017a). What is fuzzy logic? Recuperado em 09 agosto, 2017, de
https://www.mathworks.com/help/fuzzy/what-is-fuzzy-logic.html
Matlab (2017b). Foundations of fuzzy logic. Recuperado em 09 agosto, 2017, de
https://www.mathworks.com/help/fuzzy/foundations-of-fuzzy-logic.html
McCarthy, J. (2016). Just over half of Americans own stocks, matching record low.
Recuperado em 12 junho, 2017, de http://www.gallup.com/poll/190883/half-americans-own-
stocks-matching-record-low.aspx
Mehdi, F., & Montazer G. A. (2010). Design and implementation of fuzzy expert system for
Tehran Stock Exchange portfolio recommendation. Expert Systems With Applications, 37,
6138-6147. Recuperado em 15 junho, 2017, de https://doi.org/10.1016/j.eswa.2010.02.114
Miranda, F., & Amstalden, R. (2016). Contra o financismo: o método mais prático e eficiente
para investir em ações (1ª ed). São Paulo: Empiricus.
MRV Engenharia e Participações S.A (2017). Estatuto social. Recuperado em 27 novembro,
2017, de http://ri.mrv.com.br/ShowCanal/Estatuto-Social?=8irNNK1L7uRFWQmtqtYvWg
Oliveira, A. A. da S. de, & Barbosa, J. C. (2006). Introdução a sistemas fuzzy no Matlab e uso
do Simulink. Recuperado em 02 dezembro, 2017, de http://slideplayer.com.br/slide/297529/
Oliveira, D. de P. R de (2002). Sistemas, organização e métodos: uma abordagem gerencial
(13ª ed.). São Paulo: Atlas,
Osterwalder, A., & Pigneur, Y. (2011). Business Model Generation - inovação em modelos de
negócio: um manual para visionários, inovadores e revolucionários. Rio de Janeiro: Alta
Books.
Othman, S., & Schneider, E. (2010). Decision making using fuzzy logic for stock trading. In
Proceedings of the international symposium in information technology (ITSim): 2 (pp. 880–
884). IEEE. Recuperado em 21 maio, 2017, de http://ieeexplore.ieee.org/document/5561564/
Padha, A. (2012). A comparative study on fundamental and technical analysis as an indicator
for investment decision-making. Trabalho de conclusão de pós-graduação MBA, Chitkara
Business School, Chitkara University, Patiala, Punjab, Índia.
Passos, V. de C. S. dos. (2006). Estratégias de investimento em bolsa de valores: uma
pesquisa exploratória da visão fundamentalista de Benjamin Graham. Dissertação de
Mestrado, Faculdades Integradas de Pedro Leopoldo, Pedro Leopoldo, Minas Gerais, Brasil.
Penteado, M. A. de B. (2003). Uma avaliação estatística da análise gráfica no mercado de
ações brasileiro à luz da teoria dos mercados eficientes e das finanças comportamentais.
Dissertação de Mestrado, Faculdade de Economia, Administração e Contabilidade da
Universidade de São Paulo, São Paulo, Brasil. Recuperado em 24 julho, 2017, de
http://www.teses.usp.br/teses/disponiveis/12/12139/tde-03032009-103053/pt-br.php
99
Pimenta, D. P. (2009). Finanças comportamentais: um estudo sobre a confiabilidade das
decisões dos investidores, analistas e profissionais de investimento à luz da metodologia
Brier Score. Dissertação de Mestrado, Universidade Federal de Uberlândia, Uberlândia,
Minas Gerais, Brasil. Recuperado em 24 abril, 2017, de
https://repositorio.ufu.br/handle/123456789/11939
Porter, M. E. (1980). Competitive strategy: techniques for analyzing industries and
competitors. New York: Free Press.
Porto, C., & Régnier, K. (2003). O ensino superior no mundo e no Brasil – condicionantes,
tendências e cenários para o horizonte 2003-2025: uma abordagem exploratória. Recuperado
em 29 abril, 2017, de
http://portal.mec.gov.br/sesu/arquivos/pdf/ensinosuperiormundobrasiltendenciascenarios2003
-2025.pdf
Reis, T (2017). Vale a pena investir em small caps? Recuperado em 03 setembro, 2017, de
https://www.sunoresearch.com.br/artigos/vale-pena-investir-em-small-caps/
Rocha, A. (2012). Dicas sobre o múltiplo P/L. Blog “O estrategista”, Revista ValorInveste.
Recuperado em 07 outubro, 2017, de, http://www.valor.com.br/valor-investe/o-
estrategista/2656952/dicas-sobre-o-multiplo-pl
Rodrigues, A., Rojo, C. A., & Bertolini, G. R. F. (2013). Formulação de estratégias
competitivas por meio de análise de cenários na construção civil. Produção, 13(2), 269-282.
Recuperado em 02 julho, 2017, de http://dx.doi.org/10.1590/S0103-65132012005000075
Rojo, C. A. (2005). Modelo para a simulação de cenários: uma aplicação em instituição de
ensino superior privada. Tese de doutorado, Universidade Federal de Santa Catarina,
Florianópolis, Santa Catarina, Brasil. Recuperado em 01 maio, 2017, de
https://repositorio.ufsc.br/handle/123456789/102892
Rojo, C. A. (2006). Simulação de cenários e a estratégia nos negócios. Revista CAP, n. 01,
ano 01, v. 1. Recuperado em 07 setembro, 2017, de
http://revistas.utfpr.edu.br/pb/index.php/CAP/article/viewFile/879/518
Rojo, C. A. (2014). Investimento em ações small caps: cenários do mercado brasileiro.
Cascavel: Assoeste.
Rojo, C. A., Souza, A. D. de, & Hoss, O. (2011). Análise de investimentos em ações:
considerações sobre o mercado eficiente, a análise fundamentalista e as finanças
comportamentais. Revista CAP, n. 05, ano 05, v. 5. Recuperado em 17 maio, 2017, de
http://revistas.utfpr.edu.br/pb/index.php/CAP/article/view/1569
Roper, A. T., Cunningham, S. W., Porter, A. L., Mason, T. W., Rossini, F. A., & Banks, J.
(2011). Forecasting and management of technology (2ª ed.). New Jersey: John Wiley & Sons.
Rubinstein, M. (2006). A history of the theory of investments: my annotated bibliography. Jew
Jersey: John Wiley & Sons.
Scandiffio, M. I. (2005). Análise prospectiva do álcool combustível no Brasil – cenários
2004-2024. Tese de doutorado, Universidade Estadual de Campinas, Capinas, São Paulo,
100
Brasil. Recuperado em 01 maio, 2017, de
http://www.ie.ufrj.br/images/infosucro/biblioteca/alc_Scandiffio_ProspectivaAlcool.pdf
Schroeder, A. (2012). A bola de neve: Warren Buffett e o negócio da vida. Rio de Janeiro:
Sextante.
Schwartz, P. (1991). The art of the long view: the path to strategic insight for yourself and
your company (1ª ed.). New York: Doubleday.
Serafini, D. G. (2010). Sistemas técnicos de trading no mercado de ações brasileiro: testando
a hipótese de eficiência de mercado em sua forma fraca e avaliando se análise técnica agrega
valor. Dissertação de mestrado, Escola de Economia de São Paulo, São Paulo, Brasil.
Recuperado em 28 maio, 2017, de http://bibliotecadigital.fgv.br/dspace/handle/10438/4304
Siegel, J. J. (2015). Investindo em ações no longo prazo: o guia indispensável do investidor
do mercado financeiro (5ª ed). Porto Alegre: Bookman.
Siler, W., & Buckley, J. J. (2005). Fuzzy expert systems and fuzzy reasoning. New Jersey:
John Wiley & Sons.
Souza, A. F. de., & Rojo, C. A. (2010). Análise de investimento por simulação de cenários
baseada em variáveis críticas qualitativas compiladas com lógica fuzzy. Revista CAP, n. 04,
ano 4, v. 4. Recuperado em 05 abril, 2017, de
http://revistas.utfpr.edu.br/pb/index.php/CAP/article/view/996
Stevens, L. (2002). Essential technical analysis: tools and techniques to spot market trends.
New York: John Wiley & Sons.
Suno Research (2017). 5 ações de empresas sólidas para se investir. Matéria publicada em 22
de novembro de 2017. Recuperado em 22 novembro, 2017, de
https://www.sunoresearch.com.br/artigos/5-acoes-de-empresas-solidas-para-se-investir/
Tavares, A. D. L., & Silva, C. A. T. (2012). A análise financeira fundamentalista na previsão
de melhores e piores alternativas de investimento. Revista Universo Contábil, 8(1), 37-52.
Recuperado em 21 maio, 2017, de http://dx.doi.org/10.4270/ruc.2012103
Varella, T. F. (2012). Construção e avaliação de estratégias de investimento com o uso de
médias móveis como único indicador técnico. Trabalho de Conclusão de Curso, Universidade
Federal do Rio Grande do Sul, Porto Alegre, Rio Grande do Sul, Brasil. Recuperado em 24
novembro, 2017, de
https://www.lume.ufrgs.br/bitstream/handle/10183/78323/000892034.pdf?sequence=1
Wang, L. X. (1997). A course in fuzzy systems and control. Michigan: Prentice-Hall
International.
Wang, Y. F. (2002). Predicting stock price using fuzzy grey prediction system. Expert
Systems with Applications, 22(1), 33-39. Recuperado em 01 junho, 2017, de
https://doi.org/10.1016/S0957-4174(01)00047-1
Wawrzeniak, D. (2014). Teoria de Dow na análise técnica. Recuperado em 15 junho, 2017,
de http://blog.bussoladoinvestidor.com.br/teoria-de-dow/
101
Weiss, L. A. S., Kremer, J. T., Trentin, E. T., & Rojo, C. A. (2017). Cenários: uma análise da
produção científica brasileira entre 1980 e 2016. Future Studies Research Journal: Trends
and Strategies, 9(2), 116-139. Recuperado em 11 setembro, 2017, de
http://dx.doi.org/10.7444/future.v9i2.285
Wyatt, I. (2009). The small-cap investor: secrets to winning big with small-cap stocks. New
Jersey: John Wiley & Sons.
Yunusoglu, M. G., & Selim, H. (2013). A fuzzy role based expert system for stock evaluation
and portfolio construction: an application to Instanbul Stock Exchange. Expert Systems With
Applications, 40, 908-920. Recuperado em 24 junho, 2017, de
http://dx.doi.org/10.1016/j.eswa.2012.05.047
Zadeh, L. A. (1965). Fuzzy sets. Information and Control. Department of Electrical
Engineering and Electronics Research Laboratory, University of California, Berkeley,
California, 8, pp. 338-353. Recuperado em 25 junho, 2017, de https://doi.org/10.1016/S0019-
9958(65)90241-X
Zargham, M. R., & Mogharreban, N. (2005). PORSEL: an expert system for assisting in
investment analysis and valuation. Soft Computing, 9, 742-748. Recuperado em 25 junho,
2017, de http://dx.doi.org/10.1007/s00500-004-0408-1
102
APÊNDICE A – REGRAS IMPLEMENTADAS NO SISTEMA
Regras DY
Crescimento
Anual de
Vendas
Grau de
Endividamento P/L P/VP
Margem
Líquida Decisão de Compra
1 Baixo Baixo Baixo Baixo Baixo Baixo Compra Fraco
2 Baixo Baixo Baixo Baixo Baixo Médio Compra Fraco
3 Baixo Baixo Baixo Baixo Baixo Alto Compra Médio
4 Baixo Baixo Baixo Baixo Médio Baixo Não compra Fraco
5 Baixo Baixo Baixo Baixo Médio Médio Compra Fraco
6 Baixo Baixo Baixo Baixo Médio Alto Compra Fraco
7 Baixo Baixo Baixo Baixo Alto Baixo Não compra Fraco
8 Baixo Baixo Baixo Baixo Alto Médio Não compra Fraco
9 Baixo Baixo Baixo Baixo Alto Alto Compra Fraco
10 Baixo Baixo Baixo Médio Baixo Baixo Não compra Fraco
11 Baixo Baixo Baixo Médio Baixo Médio Compra Fraco
12 Baixo Baixo Baixo Médio Baixo Alto Compra Fraco
13 Baixo Baixo Baixo Médio Médio Baixo Não compra Fraco
14 Baixo Baixo Baixo Médio Médio Médio Não compra Fraco
15 Baixo Baixo Baixo Médio Médio Alto Compra Fraco
16 Baixo Baixo Baixo Médio Alto Baixo Não compra Médio
17 Baixo Baixo Baixo Médio Alto Médio Não compra Fraco
18 Baixo Baixo Baixo Médio Alto Alto Não compra Fraco
19 Baixo Baixo Baixo Alto Baixo Baixo Não compra Fraco
20 Baixo Baixo Baixo Alto Baixo Médio Não compra Fraco
21 Baixo Baixo Baixo Alto Baixo Alto Compra Fraco
22 Baixo Baixo Baixo Alto Médio Baixo Não compra Médio
23 Baixo Baixo Baixo Alto Médio Médio Não compra Fraco
24 Baixo Baixo Baixo Alto Médio Alto Não compra Fraco
25 Baixo Baixo Baixo Alto Alto Baixo Não compra Médio
26 Baixo Baixo Baixo Alto Alto Médio Não compra Médio
27 Baixo Baixo Baixo Alto Alto Alto Não compra Fraco
28 Baixo Baixo Baixo Negativo Baixo Baixo Não compra Fraco
29 Baixo Baixo Baixo Negativo Baixo Médio Não compra Fraco
30 Baixo Baixo Baixo Negativo Baixo Alto Compra Fraco
31 Baixo Baixo Baixo Negativo Médio Baixo Não compra Médio
32 Baixo Baixo Baixo Negativo Médio Médio Não compra Fraco
33 Baixo Baixo Baixo Negativo Médio Alto Não compra Fraco
34 Baixo Baixo Baixo Negativo Alto Baixo Não compra Médio
35 Baixo Baixo Baixo Negativo Alto Médio Não compra Médio
36 Baixo Baixo Baixo Negativo Alto Alto Não compra Fraco
37 Baixo Baixo Médio Baixo Baixo Baixo Não compra Fraco
38 Baixo Baixo Médio Baixo Baixo Médio Compra Fraco
103
39 Baixo Baixo Médio Baixo Baixo Alto Compra Fraco
40 Baixo Baixo Médio Baixo Médio Baixo Não compra Fraco
41 Baixo Baixo Médio Baixo Médio Médio Não compra Fraco
42 Baixo Baixo Médio Baixo Médio Alto Compra Fraco
43 Baixo Baixo Médio Baixo Alto Baixo Não compra Médio
44 Baixo Baixo Médio Baixo Alto Médio Não compra Fraco
45 Baixo Baixo Médio Baixo Alto Alto Não compra Fraco
46 Baixo Baixo Médio Médio Baixo Baixo Não compra Fraco
47 Baixo Baixo Médio Médio Baixo Médio Não compra Fraco
48 Baixo Baixo Médio Médio Baixo Alto Compra Fraco
49 Baixo Baixo Médio Médio Médio Baixo Não compra Médio
50 Baixo Baixo Médio Médio Médio Médio Não compra Fraco
51 Baixo Baixo Médio Médio Médio Alto Não compra Fraco
52 Baixo Baixo Médio Médio Alto Baixo Não compra Médio
53 Baixo Baixo Médio Médio Alto Médio Não compra Médio
54 Baixo Baixo Médio Médio Alto Alto Não compra Fraco
55 Baixo Baixo Médio Alto Baixo Baixo Não compra Médio
56 Baixo Baixo Médio Alto Baixo Médio Não compra Fraco
57 Baixo Baixo Médio Alto Baixo Alto Não compra Fraco
58 Baixo Baixo Médio Alto Médio Baixo Não compra Médio
59 Baixo Baixo Médio Alto Médio Médio Não compra Médio
60 Baixo Baixo Médio Alto Médio Alto Não compra Fraco
61 Baixo Baixo Médio Alto Alto Baixo Não compra Forte
62 Baixo Baixo Médio Alto Alto Médio Não compra Médio
63 Baixo Baixo Médio Alto Alto Alto Não compra Médio
64 Baixo Baixo Médio Negativo Baixo Baixo Não compra Médio
65 Baixo Baixo Médio Negativo Baixo Médio Não compra Fraco
66 Baixo Baixo Médio Negativo Baixo Alto Não compra Fraco
67 Baixo Baixo Médio Negativo Médio Baixo Não compra Médio
68 Baixo Baixo Médio Negativo Médio Médio Não compra Médio
69 Baixo Baixo Médio Negativo Médio Alto Não compra Fraco
70 Baixo Baixo Médio Negativo Alto Baixo Não compra Forte
71 Baixo Baixo Médio Negativo Alto Médio Não compra Médio
72 Baixo Baixo Médio Negativo Alto Alto Não compra Médio
73 Baixo Baixo Alto Baixo Baixo Baixo Não compra Fraco
74 Baixo Baixo Alto Baixo Baixo Médio Não compra Fraco
75 Baixo Baixo Alto Baixo Baixo Alto Compra Fraco
76 Baixo Baixo Alto Baixo Médio Baixo Não compra Médio
77 Baixo Baixo Alto Baixo Médio Médio Não compra Fraco
78 Baixo Baixo Alto Baixo Médio Alto Não compra Fraco
79 Baixo Baixo Alto Baixo Alto Baixo Não compra Médio
80 Baixo Baixo Alto Baixo Alto Médio Não compra Médio
81 Baixo Baixo Alto Baixo Alto Alto Não compra Fraco
104
82 Baixo Baixo Alto Médio Baixo Baixo Não compra Médio
83 Baixo Baixo Alto Médio Baixo Médio Não compra Fraco
84 Baixo Baixo Alto Médio Baixo Alto Não compra Fraco
85 Baixo Baixo Alto Médio Médio Baixo Não compra Médio
86 Baixo Baixo Alto Médio Médio Médio Não compra Médio
87 Baixo Baixo Alto Médio Médio Alto Não compra Fraco
88 Baixo Baixo Alto Médio Alto Baixo Não compra Forte
89 Baixo Baixo Alto Médio Alto Médio Não compra Médio
90 Baixo Baixo Alto Médio Alto Alto Não compra Médio
91 Baixo Baixo Alto Alto Baixo Baixo Não compra Médio
92 Baixo Baixo Alto Alto Baixo Médio Não compra Médio
93 Baixo Baixo Alto Alto Baixo Alto Não compra Fraco
94 Baixo Baixo Alto Alto Médio Baixo Não compra Forte
95 Baixo Baixo Alto Alto Médio Médio Não compra Médio
96 Baixo Baixo Alto Alto Médio Alto Não compra Médio
97 Baixo Baixo Alto Alto Alto Baixo Não compra Forte
98 Baixo Baixo Alto Alto Alto Médio Não compra Forte
99 Baixo Baixo Alto Alto Alto Alto Não compra Médio
100 Baixo Baixo Alto Negativo Baixo Baixo Não compra Médio
101 Baixo Baixo Alto Negativo Baixo Médio Não compra Médio
102 Baixo Baixo Alto Negativo Baixo Alto Não compra Fraco
103 Baixo Baixo Alto Negativo Médio Baixo Não compra Forte
104 Baixo Baixo Alto Negativo Médio Médio Não compra Médio
105 Baixo Baixo Alto Negativo Médio Alto Não compra Médio
106 Baixo Baixo Alto Negativo Alto Baixo Não compra Forte
107 Baixo Baixo Alto Negativo Alto Médio Não compra Forte
108 Baixo Baixo Alto Negativo Alto Alto Não compra Médio
109 Baixo Médio Baixo Baixo Baixo Baixo Compra Fraco
110 Baixo Médio Baixo Baixo Baixo Médio Compra Médio
111 Baixo Médio Baixo Baixo Baixo Alto Compra Médio
112 Baixo Médio Baixo Baixo Médio Baixo Compra Fraco
113 Baixo Médio Baixo Baixo Médio Médio Compra Fraco
114 Baixo Médio Baixo Baixo Médio Alto Compra Médio
115 Baixo Médio Baixo Baixo Alto Baixo Não compra Fraco
116 Baixo Médio Baixo Baixo Alto Médio Compra Fraco
117 Baixo Médio Baixo Baixo Alto Alto Compra Fraco
118 Baixo Médio Baixo Médio Baixo Baixo Compra Fraco
119 Baixo Médio Baixo Médio Baixo Médio Compra Fraco
120 Baixo Médio Baixo Médio Baixo Alto Compra Médio
121 Baixo Médio Baixo Médio Médio Baixo Não compra Fraco
122 Baixo Médio Baixo Médio Médio Médio Compra Fraco
123 Baixo Médio Baixo Médio Médio Alto Compra Fraco
124 Baixo Médio Baixo Médio Alto Baixo Não compra Fraco
105
125 Baixo Médio Baixo Médio Alto Médio Não compra Fraco
126 Baixo Médio Baixo Médio Alto Alto Compra Fraco
127 Baixo Médio Baixo Alto Baixo Baixo Não compra Fraco
128 Baixo Médio Baixo Alto Baixo Médio Compra Fraco
129 Baixo Médio Baixo Alto Baixo Alto Compra Fraco
130 Baixo Médio Baixo Alto Médio Baixo Não compra Fraco
131 Baixo Médio Baixo Alto Médio Médio Não compra Fraco
132 Baixo Médio Baixo Alto Médio Alto Compra Fraco
133 Baixo Médio Baixo Alto Alto Baixo Não compra Médio
134 Baixo Médio Baixo Alto Alto Médio Não compra Fraco
135 Baixo Médio Baixo Alto Alto Alto Não compra Fraco
136 Baixo Médio Baixo Negativo Baixo Baixo Não compra Fraco
137 Baixo Médio Baixo Negativo Baixo Médio Compra Fraco
138 Baixo Médio Baixo Negativo Baixo Alto Compra Fraco
139 Baixo Médio Baixo Negativo Médio Baixo Não compra Fraco
140 Baixo Médio Baixo Negativo Médio Médio Não compra Fraco
141 Baixo Médio Baixo Negativo Médio Alto Compra Fraco
142 Baixo Médio Baixo Negativo Alto Baixo Não compra Médio
143 Baixo Médio Baixo Negativo Alto Médio Não compra Fraco
144 Baixo Médio Baixo Negativo Alto Alto Não compra Fraco
145 Baixo Médio Médio Baixo Baixo Baixo Compra Fraco
146 Baixo Médio Médio Baixo Baixo Médio Compra Fraco
147 Baixo Médio Médio Baixo Baixo Alto Compra Médio
148 Baixo Médio Médio Baixo Médio Baixo Não compra Fraco
149 Baixo Médio Médio Baixo Médio Médio Compra Fraco
150 Baixo Médio Médio Baixo Médio Alto Compra Fraco
151 Baixo Médio Médio Baixo Alto Baixo Não compra Fraco
152 Baixo Médio Médio Baixo Alto Médio Não compra Fraco
153 Baixo Médio Médio Baixo Alto Alto Compra Fraco
154 Baixo Médio Médio Médio Baixo Baixo Não compra Fraco
155 Baixo Médio Médio Médio Baixo Médio Compra Fraco
156 Baixo Médio Médio Médio Baixo Alto Compra Fraco
157 Baixo Médio Médio Médio Médio Baixo Não compra Fraco
158 Baixo Médio Médio Médio Médio Médio Não compra Fraco
159 Baixo Médio Médio Médio Médio Alto Compra Fraco
160 Baixo Médio Médio Médio Alto Baixo Não compra Médio
161 Baixo Médio Médio Médio Alto Médio Não compra Fraco
162 Baixo Médio Médio Médio Alto Alto Não compra Fraco
163 Baixo Médio Médio Alto Baixo Baixo Não compra Fraco
164 Baixo Médio Médio Alto Baixo Médio Não compra Fraco
165 Baixo Médio Médio Alto Baixo Alto Compra Fraco
166 Baixo Médio Médio Alto Médio Baixo Não compra Médio
167 Baixo Médio Médio Alto Médio Médio Não compra Fraco
106
168 Baixo Médio Médio Alto Médio Alto Não compra Fraco
169 Baixo Médio Médio Alto Alto Baixo Não compra Médio
170 Baixo Médio Médio Alto Alto Médio Não compra Médio
171 Baixo Médio Médio Alto Alto Alto Não compra Fraco
172 Baixo Médio Médio Negativo Baixo Baixo Não compra Fraco
173 Baixo Médio Médio Negativo Baixo Médio Não compra Fraco
174 Baixo Médio Médio Negativo Baixo Alto Compra Fraco
175 Baixo Médio Médio Negativo Médio Baixo Não compra Médio
176 Baixo Médio Médio Negativo Médio Médio Não compra Fraco
177 Baixo Médio Médio Negativo Médio Alto Não compra Fraco
178 Baixo Médio Médio Negativo Alto Baixo Não compra Médio
179 Baixo Médio Médio Negativo Alto Médio Não compra Médio
180 Baixo Médio Médio Negativo Alto Alto Não compra Fraco
181 Baixo Médio Alto Baixo Baixo Baixo Não compra Fraco
182 Baixo Médio Alto Baixo Baixo Médio Compra Fraco
183 Baixo Médio Alto Baixo Baixo Alto Compra Fraco
184 Baixo Médio Alto Baixo Médio Baixo Não compra Fraco
185 Baixo Médio Alto Baixo Médio Médio Não compra Fraco
186 Baixo Médio Alto Baixo Médio Alto Compra Fraco
187 Baixo Médio Alto Baixo Alto Baixo Não compra Médio
188 Baixo Médio Alto Baixo Alto Médio Não compra Fraco
189 Baixo Médio Alto Baixo Alto Alto Não compra Fraco
190 Baixo Médio Alto Médio Baixo Baixo Não compra Fraco
191 Baixo Médio Alto Médio Baixo Médio Não compra Fraco
192 Baixo Médio Alto Médio Baixo Alto Compra Fraco
193 Baixo Médio Alto Médio Médio Baixo Não compra Médio
194 Baixo Médio Alto Médio Médio Médio Não compra Fraco
195 Baixo Médio Alto Médio Médio Alto Não compra Fraco
196 Baixo Médio Alto Médio Alto Baixo Não compra Médio
197 Baixo Médio Alto Médio Alto Médio Não compra Médio
198 Baixo Médio Alto Médio Alto Alto Não compra Fraco
199 Baixo Médio Alto Alto Baixo Baixo Não compra Médio
200 Baixo Médio Alto Alto Baixo Médio Não compra Fraco
201 Baixo Médio Alto Alto Baixo Alto Não compra Fraco
202 Baixo Médio Alto Alto Médio Baixo Não compra Médio
203 Baixo Médio Alto Alto Médio Médio Não compra Médio
204 Baixo Médio Alto Alto Médio Alto Não compra Fraco
205 Baixo Médio Alto Alto Alto Baixo Não compra Forte
206 Baixo Médio Alto Alto Alto Médio Não compra Médio
207 Baixo Médio Alto Alto Alto Alto Não compra Médio
208 Baixo Médio Alto Negativo Baixo Baixo Não compra Médio
209 Baixo Médio Alto Negativo Baixo Médio Não compra Fraco
210 Baixo Médio Alto Negativo Baixo Alto Não compra Fraco
107
211 Baixo Médio Alto Negativo Médio Baixo Não compra Médio
212 Baixo Médio Alto Negativo Médio Médio Não compra Médio
213 Baixo Médio Alto Negativo Médio Alto Não compra Fraco
214 Baixo Médio Alto Negativo Alto Baixo Não compra Forte
215 Baixo Médio Alto Negativo Alto Médio Não compra Médio
216 Baixo Médio Alto Negativo Alto Alto Não compra Médio
217 Baixo Alto Baixo Baixo Baixo Baixo Compra Médio
218 Baixo Alto Baixo Baixo Baixo Médio Compra Médio
219 Baixo Alto Baixo Baixo Baixo Alto Compra Forte
220 Baixo Alto Baixo Baixo Médio Baixo Compra Fraco
221 Baixo Alto Baixo Baixo Médio Médio Compra Médio
222 Baixo Alto Baixo Baixo Médio Alto Compra Médio
223 Baixo Alto Baixo Baixo Alto Baixo Compra Fraco
224 Baixo Alto Baixo Baixo Alto Médio Compra Fraco
225 Baixo Alto Baixo Baixo Alto Alto Compra Médio
226 Baixo Alto Baixo Médio Baixo Baixo Compra Fraco
227 Baixo Alto Baixo Médio Baixo Médio Compra Médio
228 Baixo Alto Baixo Médio Baixo Alto Compra Médio
229 Baixo Alto Baixo Médio Médio Baixo Compra Fraco
230 Baixo Alto Baixo Médio Médio Médio Compra Fraco
231 Baixo Alto Baixo Médio Médio Alto Compra Médio
232 Baixo Alto Baixo Médio Alto Baixo Não compra Fraco
233 Baixo Alto Baixo Médio Alto Médio Compra Fraco
234 Baixo Alto Baixo Médio Alto Alto Compra Fraco
235 Baixo Alto Baixo Alto Baixo Baixo Compra Fraco
236 Baixo Alto Baixo Alto Baixo Médio Compra Fraco
237 Baixo Alto Baixo Alto Baixo Alto Compra Médio
238 Baixo Alto Baixo Alto Médio Baixo Não compra Fraco
239 Baixo Alto Baixo Alto Médio Médio Compra Fraco
240 Baixo Alto Baixo Alto Médio Alto Compra Fraco
241 Baixo Alto Baixo Alto Alto Baixo Não compra Fraco
242 Baixo Alto Baixo Alto Alto Médio Não compra Fraco
243 Baixo Alto Baixo Alto Alto Alto Compra Fraco
244 Baixo Alto Baixo Negativo Baixo Baixo Compra Fraco
245 Baixo Alto Baixo Negativo Baixo Médio Compra Fraco
246 Baixo Alto Baixo Negativo Baixo Alto Compra Médio
247 Baixo Alto Baixo Negativo Médio Baixo Não compra Fraco
248 Baixo Alto Baixo Negativo Médio Médio Compra Fraco
249 Baixo Alto Baixo Negativo Médio Alto Compra Fraco
250 Baixo Alto Baixo Negativo Alto Baixo Não compra Fraco
251 Baixo Alto Baixo Negativo Alto Médio Não compra Fraco
252 Baixo Alto Baixo Negativo Alto Alto Compra Fraco
253 Baixo Alto Médio Baixo Baixo Baixo Compra Fraco
108
254 Baixo Alto Médio Baixo Baixo Médio Compra Médio
255 Baixo Alto Médio Baixo Baixo Alto Compra Médio
256 Baixo Alto Médio Baixo Médio Baixo Compra Fraco
257 Baixo Alto Médio Baixo Médio Médio Compra Fraco
258 Baixo Alto Médio Baixo Médio Alto Compra Médio
259 Baixo Alto Médio Baixo Alto Baixo Não compra Fraco
260 Baixo Alto Médio Baixo Alto Médio Compra Fraco
261 Baixo Alto Médio Baixo Alto Alto Compra Fraco
262 Baixo Alto Médio Médio Baixo Baixo Compra Fraco
263 Baixo Alto Médio Médio Baixo Médio Compra Fraco
264 Baixo Alto Médio Médio Baixo Alto Compra Médio
265 Baixo Alto Médio Médio Médio Baixo Não compra Fraco
266 Baixo Alto Médio Médio Médio Médio Compra Fraco
267 Baixo Alto Médio Médio Médio Alto Compra Fraco
268 Baixo Alto Médio Médio Alto Baixo Não compra Fraco
269 Baixo Alto Médio Médio Alto Médio Não compra Fraco
270 Baixo Alto Médio Médio Alto Alto Compra Fraco
271 Baixo Alto Médio Alto Baixo Baixo Não compra Fraco
272 Baixo Alto Médio Alto Baixo Médio Compra Fraco
273 Baixo Alto Médio Alto Baixo Alto Compra Fraco
274 Baixo Alto Médio Alto Médio Baixo Não compra Fraco
275 Baixo Alto Médio Alto Médio Médio Não compra Fraco
276 Baixo Alto Médio Alto Médio Alto Compra Fraco
277 Baixo Alto Médio Alto Alto Baixo Não compra Médio
278 Baixo Alto Médio Alto Alto Médio Não compra Fraco
279 Baixo Alto Médio Alto Alto Alto Não compra Fraco
280 Baixo Alto Médio Negativo Baixo Baixo Não compra Fraco
281 Baixo Alto Médio Negativo Baixo Médio Compra Fraco
282 Baixo Alto Médio Negativo Baixo Alto Compra Fraco
283 Baixo Alto Médio Negativo Médio Baixo Não compra Fraco
284 Baixo Alto Médio Negativo Médio Médio Não compra Fraco
285 Baixo Alto Médio Negativo Médio Alto Compra Fraco
286 Baixo Alto Médio Negativo Alto Baixo Não compra Médio
287 Baixo Alto Médio Negativo Alto Médio Não compra Fraco
288 Baixo Alto Médio Negativo Alto Alto Não compra Fraco
289 Baixo Alto Alto Baixo Baixo Baixo Compra Fraco
290 Baixo Alto Alto Baixo Baixo Médio Compra Fraco
291 Baixo Alto Alto Baixo Baixo Alto Compra Médio
292 Baixo Alto Alto Baixo Médio Baixo Não compra Fraco
293 Baixo Alto Alto Baixo Médio Médio Compra Fraco
294 Baixo Alto Alto Baixo Médio Alto Compra Fraco
295 Baixo Alto Alto Baixo Alto Baixo Não compra Fraco
296 Baixo Alto Alto Baixo Alto Médio Não compra Fraco
109
297 Baixo Alto Alto Baixo Alto Alto Compra Fraco
298 Baixo Alto Alto Médio Baixo Baixo Não compra Fraco
299 Baixo Alto Alto Médio Baixo Médio Compra Fraco
300 Baixo Alto Alto Médio Baixo Alto Compra Fraco
301 Baixo Alto Alto Médio Médio Baixo Não compra Fraco
302 Baixo Alto Alto Médio Médio Médio Não compra Fraco
303 Baixo Alto Alto Médio Médio Alto Compra Fraco
304 Baixo Alto Alto Médio Alto Baixo Não compra Médio
305 Baixo Alto Alto Médio Alto Médio Não compra Fraco
306 Baixo Alto Alto Médio Alto Alto Não compra Fraco
307 Baixo Alto Alto Alto Baixo Baixo Não compra Fraco
308 Baixo Alto Alto Alto Baixo Médio Não compra Fraco
309 Baixo Alto Alto Alto Baixo Alto Compra Fraco
310 Baixo Alto Alto Alto Médio Baixo Não compra Médio
311 Baixo Alto Alto Alto Médio Médio Não compra Fraco
312 Baixo Alto Alto Alto Médio Alto Não compra Fraco
313 Baixo Alto Alto Alto Alto Baixo Não compra Médio
314 Baixo Alto Alto Alto Alto Médio Não compra Médio
315 Baixo Alto Alto Alto Alto Alto Não compra Fraco
316 Baixo Alto Alto Negativo Baixo Baixo Não compra Fraco
317 Baixo Alto Alto Negativo Baixo Médio Não compra Fraco
318 Baixo Alto Alto Negativo Baixo Alto Compra Fraco
319 Baixo Alto Alto Negativo Médio Baixo Não compra Médio
320 Baixo Alto Alto Negativo Médio Médio Não compra Fraco
321 Baixo Alto Alto Negativo Médio Alto Não compra Fraco
322 Baixo Alto Alto Negativo Alto Baixo Não compra Médio
323 Baixo Alto Alto Negativo Alto Médio Não compra Médio
324 Baixo Alto Alto Negativo Alto Alto Não compra Fraco
325 Médio Baixo Baixo Baixo Baixo Baixo Compra Fraco
326 Médio Baixo Baixo Baixo Baixo Médio Compra Médio
327 Médio Baixo Baixo Baixo Baixo Alto Compra Médio
328 Médio Baixo Baixo Baixo Médio Baixo Compra Fraco
329 Médio Baixo Baixo Baixo Médio Médio Compra Fraco
330 Médio Baixo Baixo Baixo Médio Alto Compra Médio
331 Médio Baixo Baixo Baixo Alto Baixo Não compra Fraco
332 Médio Baixo Baixo Baixo Alto Médio Compra Fraco
333 Médio Baixo Baixo Baixo Alto Alto Compra Fraco
334 Médio Baixo Baixo Médio Baixo Baixo Compra Fraco
335 Médio Baixo Baixo Médio Baixo Médio Compra Fraco
336 Médio Baixo Baixo Médio Baixo Alto Compra Médio
337 Médio Baixo Baixo Médio Médio Baixo Não compra Fraco
338 Médio Baixo Baixo Médio Médio Médio Compra Fraco
339 Médio Baixo Baixo Médio Médio Alto Compra Fraco
110
340 Médio Baixo Baixo Médio Alto Baixo Não compra Fraco
341 Médio Baixo Baixo Médio Alto Médio Não compra Fraco
342 Médio Baixo Baixo Médio Alto Alto Compra Fraco
343 Médio Baixo Baixo Alto Baixo Baixo Não compra Fraco
344 Médio Baixo Baixo Alto Baixo Médio Compra Fraco
345 Médio Baixo Baixo Alto Baixo Alto Compra Fraco
346 Médio Baixo Baixo Alto Médio Baixo Não compra Fraco
347 Médio Baixo Baixo Alto Médio Médio Não compra Fraco
348 Médio Baixo Baixo Alto Médio Alto Compra Fraco
349 Médio Baixo Baixo Alto Alto Baixo Não compra Médio
350 Médio Baixo Baixo Alto Alto Médio Não compra Fraco
351 Médio Baixo Baixo Alto Alto Alto Não compra Fraco
352 Médio Baixo Baixo Negativo Baixo Baixo Não compra Fraco
353 Médio Baixo Baixo Negativo Baixo Médio Compra Fraco
354 Médio Baixo Baixo Negativo Baixo Alto Compra Fraco
355 Médio Baixo Baixo Negativo Médio Baixo Não compra Fraco
356 Médio Baixo Baixo Negativo Médio Médio Não compra Fraco
357 Médio Baixo Baixo Negativo Médio Alto Compra Fraco
358 Médio Baixo Baixo Negativo Alto Baixo Não compra Médio
359 Médio Baixo Baixo Negativo Alto Médio Não compra Fraco
360 Médio Baixo Baixo Negativo Alto Alto Não compra Fraco
361 Médio Baixo Médio Baixo Baixo Baixo Compra Fraco
362 Médio Baixo Médio Baixo Baixo Médio Compra Fraco
363 Médio Baixo Médio Baixo Baixo Alto Compra Médio
364 Médio Baixo Médio Baixo Médio Baixo Não compra Fraco
365 Médio Baixo Médio Baixo Médio Médio Compra Fraco
366 Médio Baixo Médio Baixo Médio Alto Compra Fraco
367 Médio Baixo Médio Baixo Alto Baixo Não compra Fraco
368 Médio Baixo Médio Baixo Alto Médio Não compra Fraco
369 Médio Baixo Médio Baixo Alto Alto Compra Fraco
370 Médio Baixo Médio Médio Baixo Baixo Não compra Fraco
371 Médio Baixo Médio Médio Baixo Médio Compra Fraco
372 Médio Baixo Médio Médio Baixo Alto Compra Fraco
373 Médio Baixo Médio Médio Médio Baixo Não compra Fraco
374 Médio Baixo Médio Médio Médio Médio Não compra Fraco
375 Médio Baixo Médio Médio Médio Alto Compra Fraco
376 Médio Baixo Médio Médio Alto Baixo Não compra Médio
377 Médio Baixo Médio Médio Alto Médio Não compra Fraco
378 Médio Baixo Médio Médio Alto Alto Não compra Fraco
379 Médio Baixo Médio Alto Baixo Baixo Não compra Fraco
380 Médio Baixo Médio Alto Baixo Médio Não compra Fraco
381 Médio Baixo Médio Alto Baixo Alto Compra Fraco
382 Médio Baixo Médio Alto Médio Baixo Não compra Médio
111
383 Médio Baixo Médio Alto Médio Médio Não compra Fraco
384 Médio Baixo Médio Alto Médio Alto Não compra Fraco
385 Médio Baixo Médio Alto Alto Baixo Não compra Médio
386 Médio Baixo Médio Alto Alto Médio Não compra Médio
387 Médio Baixo Médio Alto Alto Alto Não compra Fraco
388 Médio Baixo Médio Negativo Baixo Baixo Não compra Fraco
389 Médio Baixo Médio Negativo Baixo Médio Não compra Fraco
390 Médio Baixo Médio Negativo Baixo Alto Compra Fraco
391 Médio Baixo Médio Negativo Médio Baixo Não compra Médio
392 Médio Baixo Médio Negativo Médio Médio Não compra Fraco
393 Médio Baixo Médio Negativo Médio Alto Não compra Fraco
394 Médio Baixo Médio Negativo Alto Baixo Não compra Médio
395 Médio Baixo Médio Negativo Alto Médio Não compra Médio
396 Médio Baixo Médio Negativo Alto Alto Não compra Fraco
397 Médio Baixo Alto Baixo Baixo Baixo Não compra Fraco
398 Médio Baixo Alto Baixo Baixo Médio Compra Fraco
399 Médio Baixo Alto Baixo Baixo Alto Compra Fraco
400 Médio Baixo Alto Baixo Médio Baixo Não compra Fraco
401 Médio Baixo Alto Baixo Médio Médio Não compra Fraco
402 Médio Baixo Alto Baixo Médio Alto Compra Fraco
403 Médio Baixo Alto Baixo Alto Baixo Não compra Médio
404 Médio Baixo Alto Baixo Alto Médio Não compra Fraco
405 Médio Baixo Alto Baixo Alto Alto Não compra Fraco
406 Médio Baixo Alto Médio Baixo Baixo Não compra Fraco
407 Médio Baixo Alto Médio Baixo Médio Não compra Fraco
408 Médio Baixo Alto Médio Baixo Alto Compra Fraco
409 Médio Baixo Alto Médio Médio Baixo Não compra Médio
410 Médio Baixo Alto Médio Médio Médio Não compra Fraco
411 Médio Baixo Alto Médio Médio Alto Não compra Fraco
412 Médio Baixo Alto Médio Alto Baixo Não compra Médio
413 Médio Baixo Alto Médio Alto Médio Não compra Médio
414 Médio Baixo Alto Médio Alto Alto Não compra Fraco
415 Médio Baixo Alto Alto Baixo Baixo Não compra Médio
416 Médio Baixo Alto Alto Baixo Médio Não compra Fraco
417 Médio Baixo Alto Alto Baixo Alto Não compra Fraco
418 Médio Baixo Alto Alto Médio Baixo Não compra Médio
419 Médio Baixo Alto Alto Médio Médio Não compra Médio
420 Médio Baixo Alto Alto Médio Alto Não compra Fraco
421 Médio Baixo Alto Alto Alto Baixo Não compra Forte
422 Médio Baixo Alto Alto Alto Médio Não compra Médio
423 Médio Baixo Alto Alto Alto Alto Não compra Médio
424 Médio Baixo Alto Negativo Baixo Baixo Não compra Médio
425 Médio Baixo Alto Negativo Baixo Médio Não compra Fraco
112
426 Médio Baixo Alto Negativo Baixo Alto Não compra Fraco
427 Médio Baixo Alto Negativo Médio Baixo Não compra Médio
428 Médio Baixo Alto Negativo Médio Médio Não compra Médio
429 Médio Baixo Alto Negativo Médio Alto Não compra Fraco
430 Médio Baixo Alto Negativo Alto Baixo Não compra Forte
431 Médio Baixo Alto Negativo Alto Médio Não compra Médio
432 Médio Baixo Alto Negativo Alto Alto Não compra Médio
433 Médio Médio Baixo Baixo Baixo Baixo Compra Médio
434 Médio Médio Baixo Baixo Baixo Médio Compra Médio
435 Médio Médio Baixo Baixo Baixo Alto Compra Forte
436 Médio Médio Baixo Baixo Médio Baixo Compra Fraco
437 Médio Médio Baixo Baixo Médio Médio Compra Médio
438 Médio Médio Baixo Baixo Médio Alto Compra Médio
439 Médio Médio Baixo Baixo Alto Baixo Compra Fraco
440 Médio Médio Baixo Baixo Alto Médio Compra Fraco
441 Médio Médio Baixo Baixo Alto Alto Compra Médio
442 Médio Médio Baixo Médio Baixo Baixo Compra Fraco
443 Médio Médio Baixo Médio Baixo Médio Compra Médio
444 Médio Médio Baixo Médio Baixo Alto Compra Médio
445 Médio Médio Baixo Médio Médio Baixo Compra Fraco
446 Médio Médio Baixo Médio Médio Médio Compra Fraco
447 Médio Médio Baixo Médio Médio Alto Compra Médio
448 Médio Médio Baixo Médio Alto Baixo Não compra Fraco
449 Médio Médio Baixo Médio Alto Médio Compra Fraco
450 Médio Médio Baixo Médio Alto Alto Compra Fraco
451 Médio Médio Baixo Alto Baixo Baixo Compra Fraco
452 Médio Médio Baixo Alto Baixo Médio Compra Fraco
453 Médio Médio Baixo Alto Baixo Alto Compra Médio
454 Médio Médio Baixo Alto Médio Baixo Não compra Fraco
455 Médio Médio Baixo Alto Médio Médio Compra Fraco
456 Médio Médio Baixo Alto Médio Alto Compra Fraco
457 Médio Médio Baixo Alto Alto Baixo Não compra Fraco
458 Médio Médio Baixo Alto Alto Médio Não compra Fraco
459 Médio Médio Baixo Alto Alto Alto Compra Fraco
460 Médio Médio Baixo Negativo Baixo Baixo Compra Fraco
461 Médio Médio Baixo Negativo Baixo Médio Compra Fraco
462 Médio Médio Baixo Negativo Baixo Alto Compra Médio
463 Médio Médio Baixo Negativo Médio Baixo Não compra Fraco
464 Médio Médio Baixo Negativo Médio Médio Compra Fraco
465 Médio Médio Baixo Negativo Médio Alto Compra Fraco
466 Médio Médio Baixo Negativo Alto Baixo Não compra Fraco
467 Médio Médio Baixo Negativo Alto Médio Não compra Fraco
468 Médio Médio Baixo Negativo Alto Alto Compra Fraco
113
469 Médio Médio Médio Baixo Baixo Baixo Compra Fraco
470 Médio Médio Médio Baixo Baixo Médio Compra Médio
471 Médio Médio Médio Baixo Baixo Alto Compra Médio
472 Médio Médio Médio Baixo Médio Baixo Compra Fraco
473 Médio Médio Médio Baixo Médio Médio Compra Fraco
474 Médio Médio Médio Baixo Médio Alto Compra Médio
475 Médio Médio Médio Baixo Alto Baixo Não compra Fraco
476 Médio Médio Médio Baixo Alto Médio Compra Fraco
477 Médio Médio Médio Baixo Alto Alto Compra Fraco
478 Médio Médio Médio Médio Baixo Baixo Compra Fraco
479 Médio Médio Médio Médio Baixo Médio Compra Fraco
480 Médio Médio Médio Médio Baixo Alto Compra Médio
481 Médio Médio Médio Médio Médio Baixo Não compra Fraco
482 Médio Médio Médio Médio Médio Médio Compra Fraco
483 Médio Médio Médio Médio Médio Alto Compra Fraco
484 Médio Médio Médio Médio Alto Baixo Não compra Fraco
485 Médio Médio Médio Médio Alto Médio Não compra Fraco
486 Médio Médio Médio Médio Alto Alto Compra Fraco
487 Médio Médio Médio Alto Baixo Baixo Não compra Fraco
488 Médio Médio Médio Alto Baixo Médio Compra Fraco
489 Médio Médio Médio Alto Baixo Alto Compra Fraco
490 Médio Médio Médio Alto Médio Baixo Não compra Fraco
491 Médio Médio Médio Alto Médio Médio Não compra Fraco
492 Médio Médio Médio Alto Médio Alto Compra Fraco
493 Médio Médio Médio Alto Alto Baixo Não compra Médio
494 Médio Médio Médio Alto Alto Médio Não compra Fraco
495 Médio Médio Médio Alto Alto Alto Não compra Fraco
496 Médio Médio Médio Negativo Baixo Baixo Não compra Fraco
497 Médio Médio Médio Negativo Baixo Médio Compra Fraco
498 Médio Médio Médio Negativo Baixo Alto Compra Fraco
499 Médio Médio Médio Negativo Médio Baixo Não compra Fraco
500 Médio Médio Médio Negativo Médio Médio Não compra Fraco
501 Médio Médio Médio Negativo Médio Alto Compra Fraco
502 Médio Médio Médio Negativo Alto Baixo Não compra Médio
503 Médio Médio Médio Negativo Alto Médio Não compra Fraco
504 Médio Médio Médio Negativo Alto Alto Não compra Fraco
505 Médio Médio Alto Baixo Baixo Baixo Compra Fraco
506 Médio Médio Alto Baixo Baixo Médio Compra Fraco
507 Médio Médio Alto Baixo Baixo Alto Compra Médio
508 Médio Médio Alto Baixo Médio Baixo Não compra Fraco
509 Médio Médio Alto Baixo Médio Médio Compra Fraco
510 Médio Médio Alto Baixo Médio Alto Compra Fraco
511 Médio Médio Alto Baixo Alto Baixo Não compra Fraco
114
512 Médio Médio Alto Baixo Alto Médio Não compra Fraco
513 Médio Médio Alto Baixo Alto Alto Compra Fraco
514 Médio Médio Alto Médio Baixo Baixo Não compra Fraco
515 Médio Médio Alto Médio Baixo Médio Compra Fraco
516 Médio Médio Alto Médio Baixo Alto Compra Fraco
517 Médio Médio Alto Médio Médio Baixo Não compra Fraco
518 Médio Médio Alto Médio Médio Médio Não compra Fraco
519 Médio Médio Alto Médio Médio Alto Compra Fraco
520 Médio Médio Alto Médio Alto Baixo Não compra Médio
521 Médio Médio Alto Médio Alto Médio Não compra Fraco
522 Médio Médio Alto Médio Alto Alto Não compra Fraco
523 Médio Médio Alto Alto Baixo Baixo Não compra Fraco
524 Médio Médio Alto Alto Baixo Médio Não compra Fraco
525 Médio Médio Alto Alto Baixo Alto Compra Fraco
526 Médio Médio Alto Alto Médio Baixo Não compra Médio
527 Médio Médio Alto Alto Médio Médio Não compra Fraco
528 Médio Médio Alto Alto Médio Alto Não compra Fraco
529 Médio Médio Alto Alto Alto Baixo Não compra Médio
530 Médio Médio Alto Alto Alto Médio Não compra Médio
531 Médio Médio Alto Alto Alto Alto Não compra Fraco
532 Médio Médio Alto Negativo Baixo Baixo Não compra Fraco
533 Médio Médio Alto Negativo Baixo Médio Não compra Fraco
534 Médio Médio Alto Negativo Baixo Alto Compra Fraco
535 Médio Médio Alto Negativo Médio Baixo Não compra Médio
536 Médio Médio Alto Negativo Médio Médio Não compra Fraco
537 Médio Médio Alto Negativo Médio Alto Não compra Fraco
538 Médio Médio Alto Negativo Alto Baixo Não compra Médio
539 Médio Médio Alto Negativo Alto Médio Não compra Médio
540 Médio Médio Alto Negativo Alto Alto Não compra Fraco
541 Médio Alto Baixo Baixo Baixo Baixo Compra Médio
542 Médio Alto Baixo Baixo Baixo Médio Compra Forte
543 Médio Alto Baixo Baixo Baixo Alto Compra Forte
544 Médio Alto Baixo Baixo Médio Baixo Compra Médio
545 Médio Alto Baixo Baixo Médio Médio Compra Médio
546 Médio Alto Baixo Baixo Médio Alto Compra Forte
547 Médio Alto Baixo Baixo Alto Baixo Compra Fraco
548 Médio Alto Baixo Baixo Alto Médio Compra Médio
549 Médio Alto Baixo Baixo Alto Alto Compra Médio
550 Médio Alto Baixo Médio Baixo Baixo Compra Médio
551 Médio Alto Baixo Médio Baixo Médio Compra Médio
552 Médio Alto Baixo Médio Baixo Alto Compra Forte
553 Médio Alto Baixo Médio Médio Baixo Compra Fraco
554 Médio Alto Baixo Médio Médio Médio Compra Médio
115
555 Médio Alto Baixo Médio Médio Alto Compra Médio
556 Médio Alto Baixo Médio Alto Baixo Compra Fraco
557 Médio Alto Baixo Médio Alto Médio Compra Fraco
558 Médio Alto Baixo Médio Alto Alto Compra Médio
559 Médio Alto Baixo Alto Baixo Baixo Compra Fraco
560 Médio Alto Baixo Alto Baixo Médio Compra Médio
561 Médio Alto Baixo Alto Baixo Alto Compra Médio
562 Médio Alto Baixo Alto Médio Baixo Compra Fraco
563 Médio Alto Baixo Alto Médio Médio Compra Fraco
564 Médio Alto Baixo Alto Médio Alto Compra Médio
565 Médio Alto Baixo Alto Alto Baixo Não compra Fraco
566 Médio Alto Baixo Alto Alto Médio Compra Fraco
567 Médio Alto Baixo Alto Alto Alto Compra Fraco
568 Médio Alto Baixo Negativo Baixo Baixo Compra Fraco
569 Médio Alto Baixo Negativo Baixo Médio Compra Médio
570 Médio Alto Baixo Negativo Baixo Alto Compra Médio
571 Médio Alto Baixo Negativo Médio Baixo Compra Fraco
572 Médio Alto Baixo Negativo Médio Médio Compra Fraco
573 Médio Alto Baixo Negativo Médio Alto Compra Médio
574 Médio Alto Baixo Negativo Alto Baixo Não compra Fraco
575 Médio Alto Baixo Negativo Alto Médio Compra Fraco
576 Médio Alto Baixo Negativo Alto Alto Compra Fraco
577 Médio Alto Médio Baixo Baixo Baixo Compra Médio
578 Médio Alto Médio Baixo Baixo Médio Compra Médio
579 Médio Alto Médio Baixo Baixo Alto Compra Forte
580 Médio Alto Médio Baixo Médio Baixo Compra Fraco
581 Médio Alto Médio Baixo Médio Médio Compra Médio
582 Médio Alto Médio Baixo Médio Alto Compra Médio
583 Médio Alto Médio Baixo Alto Baixo Compra Fraco
584 Médio Alto Médio Baixo Alto Médio Compra Fraco
585 Médio Alto Médio Baixo Alto Alto Compra Médio
586 Médio Alto Médio Médio Baixo Baixo Compra Fraco
587 Médio Alto Médio Médio Baixo Médio Compra Médio
588 Médio Alto Médio Médio Baixo Alto Compra Médio
589 Médio Alto Médio Médio Médio Baixo Compra Fraco
590 Médio Alto Médio Médio Médio Médio Compra Fraco
591 Médio Alto Médio Médio Médio Alto Compra Médio
592 Médio Alto Médio Médio Alto Baixo Não compra Fraco
593 Médio Alto Médio Médio Alto Médio Compra Fraco
594 Médio Alto Médio Médio Alto Alto Compra Fraco
595 Médio Alto Médio Alto Baixo Baixo Compra Fraco
596 Médio Alto Médio Alto Baixo Médio Compra Fraco
597 Médio Alto Médio Alto Baixo Alto Compra Médio
116
598 Médio Alto Médio Alto Médio Baixo Não compra Fraco
599 Médio Alto Médio Alto Médio Médio Compra Fraco
600 Médio Alto Médio Alto Médio Alto Compra Fraco
601 Médio Alto Médio Alto Alto Baixo Não compra Fraco
602 Médio Alto Médio Alto Alto Médio Não compra Fraco
603 Médio Alto Médio Alto Alto Alto Compra Fraco
604 Médio Alto Médio Negativo Baixo Baixo Compra Fraco
605 Médio Alto Médio Negativo Baixo Médio Compra Fraco
606 Médio Alto Médio Negativo Baixo Alto Compra Médio
607 Médio Alto Médio Negativo Médio Baixo Não compra Fraco
608 Médio Alto Médio Negativo Médio Médio Compra Fraco
609 Médio Alto Médio Negativo Médio Alto Compra Fraco
610 Médio Alto Médio Negativo Alto Baixo Não compra Fraco
611 Médio Alto Médio Negativo Alto Médio Não compra Fraco
612 Médio Alto Médio Negativo Alto Alto Compra Fraco
613 Médio Alto Alto Baixo Baixo Baixo Compra Fraco
614 Médio Alto Alto Baixo Baixo Médio Compra Médio
615 Médio Alto Alto Baixo Baixo Alto Compra Médio
616 Médio Alto Alto Baixo Médio Baixo Compra Fraco
617 Médio Alto Alto Baixo Médio Médio Compra Fraco
618 Médio Alto Alto Baixo Médio Alto Compra Médio
619 Médio Alto Alto Baixo Alto Baixo Não compra Fraco
620 Médio Alto Alto Baixo Alto Médio Compra Fraco
621 Médio Alto Alto Baixo Alto Alto Compra Fraco
622 Médio Alto Alto Médio Baixo Baixo Compra Fraco
623 Médio Alto Alto Médio Baixo Médio Compra Fraco
624 Médio Alto Alto Médio Baixo Alto Compra Médio
625 Médio Alto Alto Médio Médio Baixo Não compra Fraco
626 Médio Alto Alto Médio Médio Médio Compra Fraco
627 Médio Alto Alto Médio Médio Alto Compra Fraco
628 Médio Alto Alto Médio Alto Baixo Não compra Fraco
629 Médio Alto Alto Médio Alto Médio Não compra Fraco
630 Médio Alto Alto Médio Alto Alto Compra Fraco
631 Médio Alto Alto Alto Baixo Baixo Não compra Fraco
632 Médio Alto Alto Alto Baixo Médio Compra Fraco
633 Médio Alto Alto Alto Baixo Alto Compra Fraco
634 Médio Alto Alto Alto Médio Baixo Não compra Fraco
635 Médio Alto Alto Alto Médio Médio Não compra Fraco
636 Médio Alto Alto Alto Médio Alto Compra Fraco
637 Médio Alto Alto Alto Alto Baixo Não compra Médio
638 Médio Alto Alto Alto Alto Médio Não compra Fraco
639 Médio Alto Alto Alto Alto Alto Não compra Fraco
640 Médio Alto Alto Negativo Baixo Baixo Não compra Fraco
117
641 Médio Alto Alto Negativo Baixo Médio Compra Fraco
642 Médio Alto Alto Negativo Baixo Alto Compra Fraco
643 Médio Alto Alto Negativo Médio Baixo Não compra Fraco
644 Médio Alto Alto Negativo Médio Médio Não compra Fraco
645 Médio Alto Alto Negativo Médio Alto Compra Fraco
646 Médio Alto Alto Negativo Alto Baixo Não compra Médio
647 Médio Alto Alto Negativo Alto Médio Não compra Fraco
648 Médio Alto Alto Negativo Alto Alto Não compra Fraco
649 Alto Baixo Baixo Baixo Baixo Baixo Compra Médio
650 Alto Baixo Baixo Baixo Baixo Médio Compra Médio
651 Alto Baixo Baixo Baixo Baixo Alto Compra Forte
652 Alto Baixo Baixo Baixo Médio Baixo Compra Fraco
653 Alto Baixo Baixo Baixo Médio Médio Compra Médio
654 Alto Baixo Baixo Baixo Médio Alto Compra Médio
655 Alto Baixo Baixo Baixo Alto Baixo Compra Fraco
656 Alto Baixo Baixo Baixo Alto Médio Compra Fraco
657 Alto Baixo Baixo Baixo Alto Alto Compra Médio
658 Alto Baixo Baixo Médio Baixo Baixo Compra Fraco
659 Alto Baixo Baixo Médio Baixo Médio Compra Médio
660 Alto Baixo Baixo Médio Baixo Alto Compra Médio
661 Alto Baixo Baixo Médio Médio Baixo Compra Fraco
662 Alto Baixo Baixo Médio Médio Médio Compra Fraco
663 Alto Baixo Baixo Médio Médio Alto Compra Médio
664 Alto Baixo Baixo Médio Alto Baixo Não compra Fraco
665 Alto Baixo Baixo Médio Alto Médio Compra Fraco
666 Alto Baixo Baixo Médio Alto Alto Compra Fraco
667 Alto Baixo Baixo Alto Baixo Baixo Compra Fraco
668 Alto Baixo Baixo Alto Baixo Médio Compra Fraco
669 Alto Baixo Baixo Alto Baixo Alto Compra Médio
670 Alto Baixo Baixo Alto Médio Baixo Não compra Fraco
671 Alto Baixo Baixo Alto Médio Médio Compra Fraco
672 Alto Baixo Baixo Alto Médio Alto Compra Fraco
673 Alto Baixo Baixo Alto Alto Baixo Não compra Fraco
674 Alto Baixo Baixo Alto Alto Médio Não compra Fraco
675 Alto Baixo Baixo Alto Alto Alto Compra Fraco
676 Alto Baixo Baixo Negativo Baixo Baixo Compra Fraco
677 Alto Baixo Baixo Negativo Baixo Médio Compra Fraco
678 Alto Baixo Baixo Negativo Baixo Alto Compra Médio
679 Alto Baixo Baixo Negativo Médio Baixo Não compra Fraco
680 Alto Baixo Baixo Negativo Médio Médio Compra Fraco
681 Alto Baixo Baixo Negativo Médio Alto Compra Fraco
682 Alto Baixo Baixo Negativo Alto Baixo Não compra Fraco
683 Alto Baixo Baixo Negativo Alto Médio Não compra Fraco
118
684 Alto Baixo Baixo Negativo Alto Alto Compra Fraco
685 Alto Baixo Médio Baixo Baixo Baixo Compra Fraco
686 Alto Baixo Médio Baixo Baixo Médio Compra Médio
687 Alto Baixo Médio Baixo Baixo Alto Compra Médio
688 Alto Baixo Médio Baixo Médio Baixo Compra Fraco
689 Alto Baixo Médio Baixo Médio Médio Compra Fraco
690 Alto Baixo Médio Baixo Médio Alto Compra Médio
691 Alto Baixo Médio Baixo Alto Baixo Não compra Fraco
692 Alto Baixo Médio Baixo Alto Médio Compra Fraco
693 Alto Baixo Médio Baixo Alto Alto Compra Fraco
694 Alto Baixo Médio Médio Baixo Baixo Compra Fraco
695 Alto Baixo Médio Médio Baixo Médio Compra Fraco
696 Alto Baixo Médio Médio Baixo Alto Compra Médio
697 Alto Baixo Médio Médio Médio Baixo Não compra Fraco
698 Alto Baixo Médio Médio Médio Médio Compra Fraco
699 Alto Baixo Médio Médio Médio Alto Compra Fraco
700 Alto Baixo Médio Médio Alto Baixo Não compra Fraco
701 Alto Baixo Médio Médio Alto Médio Não compra Fraco
702 Alto Baixo Médio Médio Alto Alto Compra Fraco
703 Alto Baixo Médio Alto Baixo Baixo Não compra Fraco
704 Alto Baixo Médio Alto Baixo Médio Compra Fraco
705 Alto Baixo Médio Alto Baixo Alto Compra Fraco
706 Alto Baixo Médio Alto Médio Baixo Não compra Fraco
707 Alto Baixo Médio Alto Médio Médio Não compra Fraco
708 Alto Baixo Médio Alto Médio Alto Compra Fraco
709 Alto Baixo Médio Alto Alto Baixo Não compra Médio
710 Alto Baixo Médio Alto Alto Médio Não compra Fraco
711 Alto Baixo Médio Alto Alto Alto Não compra Fraco
712 Alto Baixo Médio Negativo Baixo Baixo Não compra Fraco
713 Alto Baixo Médio Negativo Baixo Médio Compra Fraco
714 Alto Baixo Médio Negativo Baixo Alto Compra Fraco
715 Alto Baixo Médio Negativo Médio Baixo Não compra Fraco
716 Alto Baixo Médio Negativo Médio Médio Não compra Fraco
717 Alto Baixo Médio Negativo Médio Alto Compra Fraco
718 Alto Baixo Médio Negativo Alto Baixo Não compra Médio
719 Alto Baixo Médio Negativo Alto Médio Não compra Fraco
720 Alto Baixo Médio Negativo Alto Alto Não compra Fraco
721 Alto Baixo Alto Baixo Baixo Baixo Compra Fraco
722 Alto Baixo Alto Baixo Baixo Médio Compra Fraco
723 Alto Baixo Alto Baixo Baixo Alto Compra Médio
724 Alto Baixo Alto Baixo Médio Baixo Não compra Fraco
725 Alto Baixo Alto Baixo Médio Médio Compra Fraco
726 Alto Baixo Alto Baixo Médio Alto Compra Fraco
119
727 Alto Baixo Alto Baixo Alto Baixo Não compra Fraco
728 Alto Baixo Alto Baixo Alto Médio Não compra Fraco
729 Alto Baixo Alto Baixo Alto Alto Compra Fraco
730 Alto Baixo Alto Médio Baixo Baixo Não compra Fraco
731 Alto Baixo Alto Médio Baixo Médio Compra Fraco
732 Alto Baixo Alto Médio Baixo Alto Compra Fraco
733 Alto Baixo Alto Médio Médio Baixo Não compra Fraco
734 Alto Baixo Alto Médio Médio Médio Não compra Fraco
735 Alto Baixo Alto Médio Médio Alto Compra Fraco
736 Alto Baixo Alto Médio Alto Baixo Não compra Médio
737 Alto Baixo Alto Médio Alto Médio Não compra Fraco
738 Alto Baixo Alto Médio Alto Alto Não compra Fraco
739 Alto Baixo Alto Alto Baixo Baixo Não compra Fraco
740 Alto Baixo Alto Alto Baixo Médio Não compra Fraco
741 Alto Baixo Alto Alto Baixo Alto Compra Fraco
742 Alto Baixo Alto Alto Médio Baixo Não compra Médio
743 Alto Baixo Alto Alto Médio Médio Não compra Fraco
744 Alto Baixo Alto Alto Médio Alto Não compra Fraco
745 Alto Baixo Alto Alto Alto Baixo Não compra Médio
746 Alto Baixo Alto Alto Alto Médio Não compra Médio
747 Alto Baixo Alto Alto Alto Alto Não compra Fraco
748 Alto Baixo Alto Negativo Baixo Baixo Não compra Fraco
749 Alto Baixo Alto Negativo Baixo Médio Não compra Fraco
750 Alto Baixo Alto Negativo Baixo Alto Compra Fraco
751 Alto Baixo Alto Negativo Médio Baixo Não compra Médio
752 Alto Baixo Alto Negativo Médio Médio Não compra Fraco
753 Alto Baixo Alto Negativo Médio Alto Não compra Fraco
754 Alto Baixo Alto Negativo Alto Baixo Não compra Médio
755 Alto Baixo Alto Negativo Alto Médio Não compra Médio
756 Alto Baixo Alto Negativo Alto Alto Não compra Fraco
757 Alto Médio Baixo Baixo Baixo Baixo Compra Médio
758 Alto Médio Baixo Baixo Baixo Médio Compra Forte
759 Alto Médio Baixo Baixo Baixo Alto Compra Forte
760 Alto Médio Baixo Baixo Médio Baixo Compra Médio
761 Alto Médio Baixo Baixo Médio Médio Compra Médio
762 Alto Médio Baixo Baixo Médio Alto Compra Forte
763 Alto Médio Baixo Baixo Alto Baixo Compra Fraco
764 Alto Médio Baixo Baixo Alto Médio Compra Médio
765 Alto Médio Baixo Baixo Alto Alto Compra Médio
766 Alto Médio Baixo Médio Baixo Baixo Compra Médio
767 Alto Médio Baixo Médio Baixo Médio Compra Médio
768 Alto Médio Baixo Médio Baixo Alto Compra Forte
769 Alto Médio Baixo Médio Médio Baixo Compra Fraco
120
770 Alto Médio Baixo Médio Médio Médio Compra Médio
771 Alto Médio Baixo Médio Médio Alto Compra Médio
772 Alto Médio Baixo Médio Alto Baixo Compra Fraco
773 Alto Médio Baixo Médio Alto Médio Compra Fraco
774 Alto Médio Baixo Médio Alto Alto Compra Médio
775 Alto Médio Baixo Alto Baixo Baixo Compra Fraco
776 Alto Médio Baixo Alto Baixo Médio Compra Médio
777 Alto Médio Baixo Alto Baixo Alto Compra Médio
778 Alto Médio Baixo Alto Médio Baixo Compra Fraco
779 Alto Médio Baixo Alto Médio Médio Compra Fraco
780 Alto Médio Baixo Alto Médio Alto Compra Médio
781 Alto Médio Baixo Alto Alto Baixo Não compra Fraco
782 Alto Médio Baixo Alto Alto Médio Compra Fraco
783 Alto Médio Baixo Alto Alto Alto Compra Fraco
784 Alto Médio Baixo Negativo Baixo Baixo Compra Fraco
785 Alto Médio Baixo Negativo Baixo Médio Compra Médio
786 Alto Médio Baixo Negativo Baixo Alto Compra Médio
787 Alto Médio Baixo Negativo Médio Baixo Compra Fraco
788 Alto Médio Baixo Negativo Médio Médio Compra Fraco
789 Alto Médio Baixo Negativo Médio Alto Compra Médio
790 Alto Médio Baixo Negativo Alto Baixo Não compra Fraco
791 Alto Médio Baixo Negativo Alto Médio Compra Fraco
792 Alto Médio Baixo Negativo Alto Alto Compra Fraco
793 Alto Médio Médio Baixo Baixo Baixo Compra Médio
794 Alto Médio Médio Baixo Baixo Médio Compra Médio
795 Alto Médio Médio Baixo Baixo Alto Compra Forte
796 Alto Médio Médio Baixo Médio Baixo Compra Fraco
797 Alto Médio Médio Baixo Médio Médio Compra Médio
798 Alto Médio Médio Baixo Médio Alto Compra Médio
799 Alto Médio Médio Baixo Alto Baixo Compra Fraco
800 Alto Médio Médio Baixo Alto Médio Compra Fraco
801 Alto Médio Médio Baixo Alto Alto Compra Médio
802 Alto Médio Médio Médio Baixo Baixo Compra Fraco
803 Alto Médio Médio Médio Baixo Médio Compra Médio
804 Alto Médio Médio Médio Baixo Alto Compra Médio
805 Alto Médio Médio Médio Médio Baixo Compra Fraco
806 Alto Médio Médio Médio Médio Médio Compra Fraco
807 Alto Médio Médio Médio Médio Alto Compra Médio
808 Alto Médio Médio Médio Alto Baixo Não compra Fraco
809 Alto Médio Médio Médio Alto Médio Compra Fraco
810 Alto Médio Médio Médio Alto Alto Compra Fraco
811 Alto Médio Médio Alto Baixo Baixo Compra Fraco
812 Alto Médio Médio Alto Baixo Médio Compra Fraco
121
813 Alto Médio Médio Alto Baixo Alto Compra Médio
814 Alto Médio Médio Alto Médio Baixo Não compra Fraco
815 Alto Médio Médio Alto Médio Médio Compra Fraco
816 Alto Médio Médio Alto Médio Alto Compra Fraco
817 Alto Médio Médio Alto Alto Baixo Não compra Fraco
818 Alto Médio Médio Alto Alto Médio Não compra Fraco
819 Alto Médio Médio Alto Alto Alto Compra Fraco
820 Alto Médio Médio Negativo Baixo Baixo Compra Fraco
821 Alto Médio Médio Negativo Baixo Médio Compra Fraco
822 Alto Médio Médio Negativo Baixo Alto Compra Médio
823 Alto Médio Médio Negativo Médio Baixo Não compra Fraco
824 Alto Médio Médio Negativo Médio Médio Compra Fraco
825 Alto Médio Médio Negativo Médio Alto Compra Fraco
826 Alto Médio Médio Negativo Alto Baixo Não compra Fraco
827 Alto Médio Médio Negativo Alto Médio Não compra Fraco
828 Alto Médio Médio Negativo Alto Alto Compra Fraco
829 Alto Médio Alto Baixo Baixo Baixo Compra Fraco
830 Alto Médio Alto Baixo Baixo Médio Compra Médio
831 Alto Médio Alto Baixo Baixo Alto Compra Médio
832 Alto Médio Alto Baixo Médio Baixo Compra Fraco
833 Alto Médio Alto Baixo Médio Médio Compra Fraco
834 Alto Médio Alto Baixo Médio Alto Compra Médio
835 Alto Médio Alto Baixo Alto Baixo Não compra Fraco
836 Alto Médio Alto Baixo Alto Médio Compra Fraco
837 Alto Médio Alto Baixo Alto Alto Compra Fraco
838 Alto Médio Alto Médio Baixo Baixo Compra Fraco
839 Alto Médio Alto Médio Baixo Médio Compra Fraco
840 Alto Médio Alto Médio Baixo Alto Compra Médio
841 Alto Médio Alto Médio Médio Baixo Não compra Fraco
842 Alto Médio Alto Médio Médio Médio Compra Fraco
843 Alto Médio Alto Médio Médio Alto Compra Fraco
844 Alto Médio Alto Médio Alto Baixo Não compra Fraco
845 Alto Médio Alto Médio Alto Médio Não compra Fraco
846 Alto Médio Alto Médio Alto Alto Compra Fraco
847 Alto Médio Alto Alto Baixo Baixo Não compra Fraco
848 Alto Médio Alto Alto Baixo Médio Compra Fraco
849 Alto Médio Alto Alto Baixo Alto Compra Fraco
850 Alto Médio Alto Alto Médio Baixo Não compra Fraco
851 Alto Médio Alto Alto Médio Médio Não compra Fraco
852 Alto Médio Alto Alto Médio Alto Compra Fraco
853 Alto Médio Alto Alto Alto Baixo Não compra Médio
854 Alto Médio Alto Alto Alto Médio Não compra Fraco
855 Alto Médio Alto Alto Alto Alto Não compra Fraco
122
856 Alto Médio Alto Negativo Baixo Baixo Não compra Fraco
857 Alto Médio Alto Negativo Baixo Médio Compra Fraco
858 Alto Médio Alto Negativo Baixo Alto Compra Fraco
859 Alto Médio Alto Negativo Médio Baixo Não compra Fraco
860 Alto Médio Alto Negativo Médio Médio Não compra Fraco
861 Alto Médio Alto Negativo Médio Alto Compra Fraco
862 Alto Médio Alto Negativo Alto Baixo Não compra Médio
863 Alto Médio Alto Negativo Alto Médio Não compra Fraco
864 Alto Médio Alto Negativo Alto Alto Não compra Fraco
865 Alto Alto Baixo Baixo Baixo Baixo Compra Forte
866 Alto Alto Baixo Baixo Baixo Médio Compra Forte
867 Alto Alto Baixo Baixo Baixo Alto Compra Forte
868 Alto Alto Baixo Baixo Médio Baixo Compra Médio
869 Alto Alto Baixo Baixo Médio Médio Compra Forte
870 Alto Alto Baixo Baixo Médio Alto Compra Forte
871 Alto Alto Baixo Baixo Alto Baixo Compra Médio
872 Alto Alto Baixo Baixo Alto Médio Compra Médio
873 Alto Alto Baixo Baixo Alto Alto Compra Forte
874 Alto Alto Baixo Médio Baixo Baixo Compra Médio
875 Alto Alto Baixo Médio Baixo Médio Compra Forte
876 Alto Alto Baixo Médio Baixo Alto Compra Forte
877 Alto Alto Baixo Médio Médio Baixo Compra Médio
878 Alto Alto Baixo Médio Médio Médio Compra Médio
879 Alto Alto Baixo Médio Médio Alto Compra Forte
880 Alto Alto Baixo Médio Alto Baixo Compra Fraco
881 Alto Alto Baixo Médio Alto Médio Compra Médio
882 Alto Alto Baixo Médio Alto Alto Compra Médio
883 Alto Alto Baixo Alto Baixo Baixo Compra Médio
884 Alto Alto Baixo Alto Baixo Médio Compra Médio
885 Alto Alto Baixo Alto Baixo Alto Compra Forte
886 Alto Alto Baixo Alto Médio Baixo Compra Fraco
887 Alto Alto Baixo Alto Médio Médio Compra Médio
888 Alto Alto Baixo Alto Médio Alto Compra Médio
889 Alto Alto Baixo Alto Alto Baixo Compra Fraco
890 Alto Alto Baixo Alto Alto Médio Compra Fraco
891 Alto Alto Baixo Alto Alto Alto Compra Médio
892 Alto Alto Baixo Negativo Baixo Baixo Compra Médio
893 Alto Alto Baixo Negativo Baixo Médio Compra Médio
894 Alto Alto Baixo Negativo Baixo Alto Compra Forte
895 Alto Alto Baixo Negativo Médio Baixo Compra Fraco
896 Alto Alto Baixo Negativo Médio Médio Compra Médio
897 Alto Alto Baixo Negativo Médio Alto Compra Médio
898 Alto Alto Baixo Negativo Alto Baixo Compra Fraco
123
899 Alto Alto Baixo Negativo Alto Médio Compra Fraco
900 Alto Alto Baixo Negativo Alto Alto Compra Médio
901 Alto Alto Médio Baixo Baixo Baixo Compra Médio
902 Alto Alto Médio Baixo Baixo Médio Compra Forte
903 Alto Alto Médio Baixo Baixo Alto Compra Forte
904 Alto Alto Médio Baixo Médio Baixo Compra Médio
905 Alto Alto Médio Baixo Médio Médio Compra Médio
906 Alto Alto Médio Baixo Médio Alto Compra Forte
907 Alto Alto Médio Baixo Alto Baixo Compra Fraco
908 Alto Alto Médio Baixo Alto Médio Compra Médio
909 Alto Alto Médio Baixo Alto Alto Compra Médio
910 Alto Alto Médio Médio Baixo Baixo Compra Médio
911 Alto Alto Médio Médio Baixo Médio Compra Médio
912 Alto Alto Médio Médio Baixo Alto Compra Forte
913 Alto Alto Médio Médio Médio Baixo Compra Fraco
914 Alto Alto Médio Médio Médio Médio Compra Médio
915 Alto Alto Médio Médio Médio Alto Compra Médio
916 Alto Alto Médio Médio Alto Baixo Compra Fraco
917 Alto Alto Médio Médio Alto Médio Compra Fraco
918 Alto Alto Médio Médio Alto Alto Compra Médio
919 Alto Alto Médio Alto Baixo Baixo Compra Fraco
920 Alto Alto Médio Alto Baixo Médio Compra Médio
921 Alto Alto Médio Alto Baixo Alto Compra Médio
922 Alto Alto Médio Alto Médio Baixo Compra Fraco
923 Alto Alto Médio Alto Médio Médio Compra Fraco
924 Alto Alto Médio Alto Médio Alto Compra Médio
925 Alto Alto Médio Alto Alto Baixo Não compra Fraco
926 Alto Alto Médio Alto Alto Médio Compra Fraco
927 Alto Alto Médio Alto Alto Alto Compra Fraco
928 Alto Alto Médio Negativo Baixo Baixo Compra Fraco
929 Alto Alto Médio Negativo Baixo Médio Compra Médio
930 Alto Alto Médio Negativo Baixo Alto Compra Médio
931 Alto Alto Médio Negativo Médio Baixo Compra Fraco
932 Alto Alto Médio Negativo Médio Médio Compra Fraco
933 Alto Alto Médio Negativo Médio Alto Compra Médio
934 Alto Alto Médio Negativo Alto Baixo Não compra Fraco
935 Alto Alto Médio Negativo Alto Médio Compra Fraco
936 Alto Alto Médio Negativo Alto Alto Compra Fraco
937 Alto Alto Alto Baixo Baixo Baixo Compra Médio
938 Alto Alto Alto Baixo Baixo Médio Compra Médio
939 Alto Alto Alto Baixo Baixo Alto Compra Forte
940 Alto Alto Alto Baixo Médio Baixo Compra Fraco
941 Alto Alto Alto Baixo Médio Médio Compra Médio
124
942 Alto Alto Alto Baixo Médio Alto Compra Médio
943 Alto Alto Alto Baixo Alto Baixo Compra Fraco
944 Alto Alto Alto Baixo Alto Médio Compra Fraco
945 Alto Alto Alto Baixo Alto Alto Compra Médio
946 Alto Alto Alto Médio Baixo Baixo Compra Fraco
947 Alto Alto Alto Médio Baixo Médio Compra Médio
948 Alto Alto Alto Médio Baixo Alto Compra Médio
949 Alto Alto Alto Médio Médio Baixo Compra Fraco
950 Alto Alto Alto Médio Médio Médio Compra Fraco
951 Alto Alto Alto Médio Médio Alto Compra Médio
952 Alto Alto Alto Médio Alto Baixo Não compra Fraco
953 Alto Alto Alto Médio Alto Médio Compra Fraco
954 Alto Alto Alto Médio Alto Alto Compra Fraco
955 Alto Alto Alto Alto Baixo Baixo Compra Fraco
956 Alto Alto Alto Alto Baixo Médio Compra Fraco
957 Alto Alto Alto Alto Baixo Alto Compra Médio
958 Alto Alto Alto Alto Médio Baixo Não compra Fraco
959 Alto Alto Alto Alto Médio Médio Compra Fraco
960 Alto Alto Alto Alto Médio Alto Compra Fraco
961 Alto Alto Alto Alto Alto Baixo Não compra Fraco
962 Alto Alto Alto Alto Alto Médio Não compra Fraco
963 Alto Alto Alto Alto Alto Alto Compra Fraco
964 Alto Alto Alto Negativo Baixo Baixo Compra Fraco
965 Alto Alto Alto Negativo Baixo Médio Compra Fraco
966 Alto Alto Alto Negativo Baixo Alto Compra Médio
967 Alto Alto Alto Negativo Médio Baixo Não compra Fraco
968 Alto Alto Alto Negativo Médio Médio Compra Fraco
969 Alto Alto Alto Negativo Médio Alto Compra Fraco
970 Alto Alto Alto Negativo Alto Baixo Não compra Fraco
971 Alto Alto Alto Negativo Alto Médio Não compra Fraco
972 Alto Alto Alto Negativo Alto Alto Compra Fraco